GraphSAGE y city2graph: inferencia de funciones urbanas con GNN
Implementa redes neuronales de grafos espaciales con city2graph, OSMnx y PyTorch Geometric para predecir funciones urbanas desde POIs. Tutorial práctico con código.
#redes neuronales de grafos
Más allá del Golden Teacher: co-enseñanza LLM-GNN
Descubre cómo la co-enseñanza bidireccional entre LLM y GNN supera las limitaciones del aprendizaje con pocos ejemplos en grafos, mejorando la precisión un 7.86%.
Robustez de grafos contra ataques backdoor: perspectiva de sobresimilitud
Descubre cómo SimGuard protege redes de grafos contra ataques backdoor usando sobresimilitud. Mejora la robustez sin sacrificar rendimiento.
Reglas de diseño de GNN: ¿fallan según el benchmark?
Descubre cómo la composición del benchmark determina si la informatividad predice el mejor agregador en GNN. Resultados clave con Facebook-100.
ERAlign: Alineación de Representaciones de GNNs y LLMs en Grafos Textuales
Descubre ERAlign: alinea GNNs y LLMs en grafos textuales con modelos energéticos, mejorando el rendimiento sin costos altos de muestreo.
Redes Neuronales de Grafos para predecir la solubilidad de grupos finitos
¿Pueden las GNN aprender propiedades algebraicas de grupos finitos? Un estudio de prueba de concepto que clasifica grupos solubles y no solubles usando grafos de Cayley. ¡Descúbrelo!
Predicción de tráfico marítimo con redes neuronales de grafos y cabeza Tweedie
Descubre cómo un nuevo enfoque con redes neuronales de grafos y cabeza Tweedie mejora la predicción del tráfico de barcos en puertos, incluso con datos escasos.
Reconstrucción de grafos: ataques y defensas más allá de la homofilia
Los ataques MC-GRA reconstruyen la topología de entrenamiento de GNN. Las defensas MC-GPB protegen la privacidad con mínima pérdida de precisión.
Red de Grafos de Malla para Simulación FEM en Geometrías Arbitrarias
Descubre una red neuronal de grafos de malla para acelerar simulación FEM en geometrías arbitrarias, superando modelos tradicionales con R² > 0.97.
Estudio sistemático de profundidad en STGCN para predicción de tráfico
¿Cuántos bloques necesita un STGCN? Un solo bloque predice tráfico con precisión similar y 61% menos latencia que el estándar de 2 bloques. Eficiencia para ITS.
CTS-Bench: Compensaciones de coarsening de grafos para GNNs en síntesis de reloj
CTS-Bench: evalúa compensaciones entre coarsening y precisión en GNNs para diseño de árbol de reloj. Ideal para optimizar EDA.
Graph-to-SFILES: Predicción de control con IA generativa
Descubre Graph-to-SFILES: IA generativa predice estructuras de control desde topologías de procesos, mejorando P&ID con pocos datos.
La trampa de la confianza: ataques de calibración para GNN
Los modelos de GNN calibrados son vulnerables a ataques adversariales. El marco UGCA revela cómo aumentar el error de calibración manteniendo la precisión. ¡Conócelo!
E2Former-V2: Atención Equivariante en Tiempo Real con Memoria Lineal
Descubre cómo E2Former-V2 acelera 20x la atención equivariante en redes neuronales de grafos usando un kernel Triton optimizado para GPUs.
Aprendiendo a ejecutar algoritmos de grafos con GNN
Aprende cómo las GNN ejecutan algoritmos de grafos exactamente con alta probabilidad usando MLP y NTK. Un avance clave en IA.
ADAGE: Defensas Activas Contra la Extracción de GNN
Descubre ADAGE: la primera defensa activa que bloquea la extracción de GNNs. Protege tus modelos sin perder rendimiento.
GNN con conectividad de etiquetas de orden superior en grafos heterófilos
Nuevo clasificador LCC mejora clasificación en grafos heterófilos capturando conectividad de etiquetas de orden superior. Integrable con cualquier GNN.
HOPSE: Codificador Posicional y Estructural de Alto Orden Escalable
Descubre HOPSE: codificador de alto orden que escala en aprendizaje topológico, superando a métodos tradicionales.
HOPSE: Codificador de Posición y Estructura para Representaciones de Alto Orden
HOPSE ofrece codificación posicional y estructural escalable para aprendizaje topológico, superando a la propagación de mensajes en velocidad y precisión.
Q-GNN: Redes Neuronales de Grafos Condicionadas por Consulta y Tipo
Descubre cómo Q-GNN integra información de entidad y tipo semántico para mejorar el completado de grafos de conocimiento, superando métodos basados solo en relaciones.