Graph Neural Networks

30 items

RESEARCHarXiv CS.CL·vor 20Std

GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation

GraphLoRA schlägt ein neuartiges Framework für die Empfehlung mittels großer Sprachmodelle (LLMRec) vor, das strukturelle Informationen mit textueller Semantik integriert. Dies wird durch die Einbettung eines trainierbaren Graphen-Nachrichtenübertragungsnetzwerks in den Low-Rank-Adaptationspfad erreicht, wodurch die kollaborative Topologie Parameter-Updates explizit steuern kann.

Low-Rank Adaptation Graph Neural Networks Recommendation Systems AI Research

RESEARCHarXiv CS.LG·4/22/2026

Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis

Dieses Papier schlägt ein mehrstufiges temporales Graphennetzwerk mit lokal-globaler Merkmalsfusion für die industrielle Fehlerdiagnose vor. Es behandelt komplexe, mehrstufige Beziehungen zwischen Sensoren, indem es Korrelationsgraphen dynamisch konstruiert und LSTM-basierte Encoder für temporale Merkmale mit Graph-Faltungsschichten für räumliche Abhängigkeiten kombiniert.

fault diagnosis industrial AI deep learning Graph Neural Networks

RESEARCHarXiv CS.LG·4/16/2026

Automated co-design of high-performance thermodynamic cycles via graph-based hierarchical reinforcement learning

Diese Studie stellt einen graphenbasierten hierarchischen Reinforcement-Learning-Ansatz für das automatisierte Co-Design leistungsstarker thermodynamischer Zyklen vor. Dabei werden Zyklen als Graphen kodiert, ein Deep-Learning-Surrogat zur Dekodierung verwendet und ein hierarchisches RL-Framework für die strukturelle Evolution sowie Parameteroptimierung eingesetzt.

Energy Systems deep learning reinforcement learning Graph Neural Networks

RESEARCHDEV.to AI·4/24/2026

subgraph2vec: Learning Distributed Representations of Rooted Sub-graphs fromLarge Graphs

Diese Forschung stellt `subgraph2vec` vor, eine neuartige Methode zum Erlernen verteilter Repräsentationen von verwurzelten Untergraphen aus großen Graphen. Ziel ist es, komplexe Graphenstrukturen in einen niedrigdimensionalen Vektorraum einzubetten, um verschiedene nachgeschaltete maschinelle Lernaufgaben auf Graphendaten zu erleichtern.

Graph Neural Networks machine learning graph embeddings

RESEARCHarXiv CS.LG·4/23/2026

On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence

Dieses Papier beschreibt den Einsatz von Graphen-neuronalen Netzen (GNNs) zur Vorhersage der Photovoltaik-Leistung auf Edge-Intelligenten Zählern in einem Mikronetz. Es untersucht das Training und die Bereitstellung von GCN- und GraphSAGE-Modellen, einschließlich eines angepassten ONNX-Operators, anhand einer Fallstudie mit realen Daten, die eine erfolgreiche Ausführung auf Smart Metern zeigt.

machine learning deployment energy forecasting IoT Graph Neural Networks

RESEARCHarXiv CS.LG·4/15/2026

DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification

DBGL stellt eine neuartige, zerfallsbewusste Methode zum bipartiten Graphenlernen vor, um die Herausforderungen bei der Klassifizierung unregelmäßiger medizinischer Zeitreihen zu adressieren. Sie nutzt einen patientenvariablen bipartiten Graphen zur Modellierung unregelmäßiger Abtastmuster und Variablenbeziehungen und integriert zusätzlich eine knotenspezifische temporale Zerfallsenkodierung für die Unregelmäßigkeit des Variablenzerfalls.

Graph Neural Networks machine learning medical AI irregular data

RESEARCHarXiv CS.LG·4/17/2026

Explainable Graph Neural Networks for Interbank Contagion Surveillance: A Regulatory-Aligned Framework for the U.S. Banking Sector

Das ST-GAT-Framework bietet eine erklärbare Graph Neural Network-Lösung zur Früherkennung von Bankenproblemen und zur Überwachung von Interbanken-Ansteckung im US-Bankensektor. Es modelliert über 8.000 FDIC-Institutionen mittels dynamischer Graphen, erzielt eine hohe Leistung (AUPRC 0.939) und identifiziert wichtige prädiktive Faktoren wie ROA und NPL-Verhältnis.

Graph Neural Networks machine learning banking Explainable AI

RESEARCHDEV.to AI·vor 12T

Graph-MLP: Node Classification without Message Passing in Graph

Graph-MLP stellt einen neuartigen Ansatz zur Knotenklassifizierung in Graphen-neuronalen Netzen vor, der von traditionellen Nachrichtenübertragungsmechanismen abweicht. Diese Methode zielt darauf ab, die Effizienz und Leistung zu verbessern, indem Knoten direkt innerhalb der Graphenstruktur klassifiziert werden.

deep learning Graph Neural Networks machine learning Graph-MLP

RESEARCHDEV.to AI·4/11/2026

Neural Embeddings of Graphs in Hyperbolic Space

Dieser Inhalt diskutiert die Nutzung neuronaler Einbettungen zur Graphendarstellung. Die Forschung untersucht die Anwendung des hyperbolischen Raums für diese Repräsentation, was auf ein fortgeschrittenes Thema im maschinellen Lernen hinweist.

neural networks Graph Neural Networks machine learning embeddings

RESEARCHarXiv CS.LG·vor 27T

Hierarchical Multi-Scale Graph Neural Networks: Scalable Heterophilous Learning with Oversmoothing and Oversquashing Mitigation

Das Papier stellt Hierarchical Multi-view HAAR (HMH) vor, ein neuartiges spektrales Graphen-Lernframework, das Oversmoothing und grad-verzerrte Aggregation in heterophilen GNNs angeht. HMH konstruiert eine weiche Graphen-Hierarchie und wendet lernbare spektrale Filter mit Haar-Basen an, was eine nahezu lineare Skalierbarkeit ermöglicht.

Heterophily Graph Neural Networks machine learning Spectral Graph Theory

RESEARCHDEV.to AI·5/3/2026

Probabilistic Graph Neural Inference for planetary geology survey missions in carbon-negative infrastructure

Dieser Inhalt untersucht die Anwendung probabilistischer Graphen-Neuronaler Netze für planetare geologische Erkundungsmissionen. Der Fokus liegt auf der Integration dieser Techniken in kohlenstoffnegative Infrastrukturen.

Planetary Science Graph Neural Networks sustainability AI

ARTICLEDEV.to AI·vor 10T

Probabilistic Graph Neural Inference for bio-inspired soft robotics maintenance with zero-trust governance guarantees

Dieser Inhalt thematisiert die Herausforderung der Wartung bio-inspirierter Soft-Robotik, bei der traditionelle Sensormethoden aufgrund der flexiblen Natur der Roboter versagen. Er schlägt eine neuartige Lösung vor, die probabilistische Graphen-Neuronale Netze mit einer Zero-Trust-Architektur für effektive Überwachung und Governance kombiniert.

soft robotics security Graph Neural Networks maintenance

RESEARCHDEV.to AI·vor 16T

Probabilistic Graph Neural Inference for circular manufacturing supply chains for extreme data sparsity scenarios

Der Autor beschreibt einen Eureka-Moment beim Modellieren zirkulärer Fertigungslieferketten mit GNNs bei extremer Datensparheit. Der Schlüssel war, die Unsicherheit durch probabilistische Inferenztechniken zu akzeptieren, um die Grenzen traditioneller Modelle zu überwinden.

Circular Economy Graph Neural Networks Probabilistic Inference Data Sparsity

ARTICLEDEV.to AI·5/9/2026

Probabilistic Graph Neural Inference for coastal climate resilience planning for low-power autonomous deployments

Der Autor erörtert die Grenzen zentralisierter KI für ein energiesparendes Küstenüberwachungsprojekt, bei dem das Senden von Rohsensordaten die Batterien schnell entleerte. Dies inspirierte die Erforschung von probabilistischer Graphen-Neuraler Inferenz, um effizientes, lokalisiertes Denken für Edge-Intelligenz in autonomen Bereitstellungen zu ermöglichen.

edge intelligence Coastal Resilience Graph Neural Networks Low-Power Deployments

RESEARCHDEV.to AI·vor 26T

Directed Graph Convolutional Network

Gerichtete Graph-Faltungsnetzwerke (DGCNs) sind ein spezialisierter Typ neuronaler Netze, der für die Verarbeitung von Daten in gerichteten Graphen entwickelt wurde. Sie erweitern traditionelle GCNs, indem sie gerichtete Informationen und Beziehungen innerhalb komplexer Netzwerkstrukturen effektiv erfassen.

deep learning Convolutional Networks Graph Neural Networks machine learning

RESEARCHDEV.to AI·vor 26T

DPAA Debiases GNN Recommenders by Reweighting Message Passing

Das arXiv-Paper 2605.11145 stellt DPAA vor, ein Entzerrungsframework für GNN-basiertes kollaboratives Filtern, das adaptive Gewichtung während der Nachrichtenweitergabe anwendet. Es wirkt der Popularitätsverstärkung entgegen und übertrifft frühere Methoden auf realen Datensätzen.

recommender systems Graph Neural Networks machine learning Collaborative Filtering

RESEARCHarXiv CS.LG·4/17/2026

Graph-Based Fraud Detection with Dual-Path Graph Filtering

Dieses Papier schlägt ein graphenbasiertes Betrugserkennungsmodell (DPF-GFD) mit Dual-Path-Graphenfilterung vor, um Herausforderungen bei der Betrugserkennung auf Graphendaten zu begegnen. Es wendet einen Beta-Wavelet-basierten Operator und einen verbesserten Tiefpassfilter auf einem Ähnlichkeitsgraphen an, um wesentliche Strukturmuster zu erfassen.

Graph Neural Networks machine learning fraud detection

RESEARCHarXiv CS.LG·vor 19T

Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification

Dieses Papier stellt Transductive Sharpening (TS) vor, eine neue Verlustfunktionsmodifikation für die semi-überwachte Knotenklassifikation. Es nutzt Vorhersagen auf unmarkierten Knoten, indem es die Vorhersage-Entropie minimiert, um nützliche Trainingssignale zu extrahieren, die sonst verworfen würden.

semi-supervised learning Graph Neural Networks machine learning Node Classification

RESEARCHarXiv CS.LG·4/27/2026

Mochi: Aligning Pre-training and Inference for Efficient Graph Foundation Models via Meta-Learning

Mochi ist ein Graph Foundation Model, das Effizienz und Aufgabenvereinheitlichung durch ein Meta-Learning-Framework verbessert. Es wird mit Few-Shot-Episoden vorab trainiert, die das nachgeschaltete Evaluierungsprotokoll widerspiegeln, und überwindet so die Einschränkungen herkömmlicher Methoden, um eine wettbewerbsfähige Leistung zu erzielen.

Meta-Learning Model Alignment Graph Neural Networks Foundation Models

RESEARCHarXiv CS.LG·vor 19T

GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation

GraphDiffMed ist ein neues Framework zur Empfehlung sicherer und wirksamer Medikamentenkombinationen aus elektronischen Gesundheitsakten. Es verwendet eine zweistufige differentielle Aufmerksamkeit, um Rauschen zu filtern, und integriert pharmakologische Einschränkungen während des Lernens, was die Empfehlungsqualität verbessert.

medication recommendation pharmacology Graph Neural Networks healthcare AI