VRP reformulado como distancia de edición de grafos
Descubre cómo reformular el Problema de Enrutamiento de Vehículos como maximización de distancia de edición de grafos, revelando propiedades estructurales y mejorando la optimización de rutas.
#redes neuronales de grafos
Beamforming Híbrido Robusto con GNN y CSI Generativo y Denoising
Descubre cómo las GNN y modelos generativos basados en puntuaciones mejoran el beamforming híbrido al generar y limpiar CSI, logrando mayor robustez en comunicaciones inalámbricas.
Representaciones de grafos estables con autovectores de Laplaciano
Aprende cómo utilizar autovectores de Laplaciano para lograr representaciones de grafos estables y globalmente expresivas, mejorando el rendimiento de GNNs en benchmarks.
RADE: Regularización con adición y eliminación aleatoria de aristas
RADE: aumento estocástico de aristas que reduce sobreajuste y sobre-compresión en GNNs. Sin desalineación entrenamiento-inferencia, mejora el rendimiento.
Firmas de Motivos Temporales para Redes Neuronales de Grafos Temporales
Descubre cómo las firmas de motivos temporales mejoran la predicción en redes neuronales de grafos temporales. Aplicaciones en MOOC, Bitcoin y más.
Abstracción de espacios combinatorios con GNN para optimización no lineal
Descubre cómo un nuevo método de abstracción basado en grafos dirigidos y GNN optimiza la búsqueda en problemas de optimización combinatoria no lineal, mejorando resultados y robustez.
Filtro de compuerta, no el mensaje: Mezclas nodo-canal en GNNs
FilterMoE revoluciona las GNNs de prepropagación al enrutar filtros por nodos y canales, superando a métodos previos en 9 de 11 benchmarks. ¡Mejora precisión y escalabilidad!
GJDNet: Redes de grafos robustas con aprendizaje disentangled
GJDNet mejora la robustez de GNNs frente a ataques con representaciones y decisiones disentangled. Aísla perturbaciones y estabiliza fronteras de decisión en grafos diversos.
Construcción de grafos de conocimiento histórico con BERT y GNN
Descubre cómo combinar BERT y GNN para construir grafos de conocimiento histórico. Extrae entidades y relaciones de textos antiguos con alta precisión.
Mezcla de Expertos en GNN Condicionada por Grafos para Pronóstico de Tráfico
GC-MoE asigna expertos congelados personalizados a cada nodo vial, mejorando precisión en pronóstico de tráfico con solo 17K parámetros.
Escalando aprendizaje de grafos de alto orden con complejos de cliques maximales
Descubre cómo los complejos de cliques maximales escalan el aprendizaje de grafos de alto orden con mayor eficiencia y sin perder expresividad.
Machine Learning de Grafos en la Era de los LLMs
Los LLMs revolucionan el Machine Learning de Grafos: mejoran características, reducen datos etiquetados y potencian el razonamiento. Descubre cómo.
Condensación eficiente y escalable de grafos con preservación de estructura
Conoce SP-ESGC: método eficiente y escalable para condensar grafos preservando estructura. Mejora generalización y reduce costos computacionales.
Redes Neuronales de Grafos: Discontinuidad entre Resoluciones
Descubre cómo las GNN fallan al cambiar la resolución de un grafo y cómo una modificación arquitectónica resuelve este problema. Aprende las implicaciones para tu proyecto.
Aggregation Buffer: Revisando DropEdge con un nuevo bloque de parámetros
Descubre cómo Aggregation Buffer mejora las GNNs superando las limitaciones de DropEdge, reduciendo sesgos y aumentando la robustez en aprendizaje supervisado.
Transformers simples: predictores de enlaces sorprendentemente potentes
Descubre cómo un Transformer simple (PENCIL) supera a las GNNs en predicción de enlaces, sin estructuras complejas ni embeddings masivos. Eficiente y potente.
Robo de modelos GNN con explicaciones de subgrafos
Descubre cómo los atacantes explotan explicaciones de subgrafos para robar modelos GNN en plataformas GMLaaS. Conoce el ataque XSTEAL y sus implicaciones.
AbstainGNN: Enseñando a las GNN a abstenerse en clasificación de grafos
AbstainGNN enseña a las GNN a abstenerse en clasificación de grafos, mejorando la fiabilidad. Descubre su teoría PAC-Bayesiana y resultados.