会员服务
图神经网络 (GNN) 是一种连接模型，它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是，图神经网络保留了一种状态，可以表示来自其邻域的具有任意深度的信息。近年来，图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。
Geometrical fairness in graph neural networks
Arxiv
0+阅读 · 6月16日
Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations
Arxiv
0+阅读 · 6月15日
Graph neural networks at war: integrating cybersecurity and drone intelligence in the Israeli-Iranian conflict
Arxiv
0+阅读 · 6月15日
Finsler Geometry, Graph Neural Networks, and You
Arxiv
0+阅读 · 6月15日
Leptomeningeal Collateral Detection on DSA via Vessel-Graph Neural Networks
Arxiv
0+阅读 · 6月12日
Graph Learning Should Move Beyond Restrictive Views of Spectral and Message-Passing GNNs
Arxiv
0+阅读 · 6月15日
Quantile-Free Uncertainty Quantification in Graph Neural Networks
Arxiv
0+阅读 · 6月12日
Analog Quantum Asynchronous Event-Based Graph Neural Network
Arxiv
0+阅读 · 6月9日
Verifying Quantized GNNs With Readout Is Decidable But Highly Intractable
Arxiv
0+阅读 · 4月26日
PostDeg: Placement Beats Parameterization in LayerNorm GNNs
Arxiv
0+阅读 · 6月12日
Learning to Approximate Uniform Facility Location via Graph Neural Networks
Arxiv
0+阅读 · 5月13日
Random-Set Graph Neural Networks
Arxiv
0+阅读 · 5月12日
Understanding Truncated Positional Encodings for Graph Neural Networks
Arxiv
0+阅读 · 6月11日
Recurrent Graph Neural Networks and Arithmetic Circuits
Arxiv
0+阅读 · 5月4日
Empowering Power Outage Prediction with Spatially Aware Hybrid Graph Neural Networks and Contrastive Learning
Arxiv
0+阅读 · 4月6日
参考链接
微信扫码咨询专知VIP会员
Top