GraphLoRA propone un nuevo marco para la Recomendación con Grandes Modelos de Lenguaje (LLMRec) que integra información estructural con semántica textual. Para ello, incrusta una red de paso de mensajes de grafos entrenable dentro de la vía de adaptación de bajo rango, permitiendo que la topología colaborativa guíe explícitamente las actualizaciones de los parámetros.
Este artículo propone una red de grafos temporal multinivel con fusión de características local-global para el diagnóstico de fallas industriales. Aborda las complejas relaciones entre sensores mediante la construcción dinámica de grafos de correlación y la combinación de codificadores basados en LSTM para características temporales con capas de convolución de grafos para dependencias espaciales.
Este estudio presenta un enfoque de aprendizaje por refuerzo jerárquico basado en grafos para el codiseño automatizado de ciclos termodinámicos de alto rendimiento. La metodología utiliza redes neuronales profundas para la decodificación y un marco de RL para la evolución estructural y la optimización de parámetros.
Esta investigación presenta `subgraph2vec`, un método novedoso para aprender representaciones distribuidas de subgrafos enraizados extraídos de grafos grandes. Su objetivo es incrustar estructuras de grafos complejas en un espacio vectorial de menor dimensión, facilitando diversas tareas de aprendizaje automático en datos de grafos.
Este artículo detalla el uso de redes neuronales gráficas (GNNs) para pronosticar la generación de energía fotovoltaica en medidores inteligentes de borde en una microrred. Explora el entrenamiento y despliegue de modelos GCN y GraphSAGE, incluyendo un operador ONNX personalizado, con un estudio de caso usando datos reales para demostrar su ejecución exitosa en medidores inteligentes.
DBGL introduce un novedoso método de Aprendizaje de Grafos Bipartitos con Conciencia de Decaimiento para la clasificación de series temporales médicas irregulares. Emplea un grafo bipartito paciente-variable para capturar patrones de muestreo irregulares y relaciones entre variables, junto con una codificación de decaimiento temporal específica de nodo para la irregularidad de decaimiento de las variables.
El framework ST-GAT, una Red Neuronal Gráfica explicable, presenta una solución de alerta temprana para la detección de problemas bancarios y la vigilancia del contagio interbancario en EE. UU. Modela más de 8.000 instituciones del FDIC, logrando un alto rendimiento (AUPRC de 0.939) e identificando factores predictivos clave como ROA y NPL.
Graph-MLP introduce un enfoque novedoso para la clasificación de nodos en redes neuronales gráficas, apartándose de los mecanismos tradicionales de paso de mensajes. Este método busca mejorar la eficiencia y el rendimiento clasificando los nodos directamente dentro de la estructura del grafo.
Este contenido trata sobre el uso de embeddings neuronales para representar grafos. La investigación explora la aplicación del espacio hiperbólico para esta representación, lo que indica un tema avanzado en aprendizaje automático.
El artículo introduce Hierarchical Multi-view HAAR (HMH), un nuevo marco de aprendizaje espectral de grafos para abordar el sobre-suavizado y la agregación sesgada en GNNs heterófilas. HMH construye una jerarquía de grafos suave y aplica filtros espectrales aprendibles con bases de Haar, logrando escalabilidad casi lineal.
Este contenido explora la aplicación de la inferencia de redes neuronales gráficas probabilísticas para misiones de estudio geológico planetario. Se centra en la integración de estas técnicas en infraestructuras con huella de carbono negativa.
Este contenido presenta el desafío del mantenimiento de la robótica blanda bioinspirada, donde los métodos de sensores tradicionales fallan debido a la naturaleza flexible de los robots. Propone una solución novedosa que combina redes neuronales gráficas probabilísticas con arquitectura de confianza cero para una supervisión y gobernanza eficaces.
El autor relata un momento de revelación al modelar cadenas de suministro de fabricación circular con GNNs y datos extremadamente escasos. La clave fue aceptar la incertidumbre a través de técnicas de inferencia probabilística para superar las limitaciones de los modelos tradicionales.
El autor aborda las limitaciones de la IA centralizada en un proyecto de monitoreo costero de bajo consumo, donde el envío de datos de sensores brutos agotaba rápidamente las baterías. Esto lo llevó a explorar la Inferencia Neuronal Gráfica Probabilística para permitir un razonamiento eficiente y localizado en implementaciones autónomas en el borde.
Las Redes Convolucionales de Grafos Dirigidos (DGCNs) son un tipo especializado de red neuronal diseñado para procesar datos estructurados como grafos dirigidos. Extienden las GCNs tradicionales al capturar eficazmente la información direccional y las relaciones dentro de estructuras de red complejas.
El artículo arXiv 2605.11145 presenta DPAA, un marco de despolarización para el filtrado colaborativo basado en GNN que aplica ponderación adaptativa durante el paso de mensajes. Combate la amplificación de la popularidad y supera los métodos anteriores en conjuntos de datos reales.
Este artículo propone un Modelo de Detección de Fraude Basado en Grafos (DPF-GFD) con Filtrado de Grafo de Doble Ruta. Aborda los desafíos de los grafos de fraude aplicando un operador basado en ondículas beta y un filtro de paso bajo mejorado en un grafo de similitud.
El artículo propone Transductive Sharpening (TS), una modificación a nivel de pérdida para la clasificación de nodos semi-supervisada. Utiliza las predicciones en nodos sin etiquetar, minimizando la entropía de la predicción para extraer señales de entrenamiento útiles.
Mochi es un Modelo de Fundación Gráfica que mejora la eficiencia y la unificación de tareas mediante un marco de entrenamiento basado en metaaprendizaje. Se preentrena en episodios de pocas muestras que reflejan la evaluación posterior, abordando las limitaciones de los métodos tradicionales y logrando un rendimiento competitivo.
GraphDiffMed es un nuevo marco para la recomendación de combinaciones de medicamentos seguras y efectivas a partir de registros de salud electrónicos. Utiliza atención diferencial de doble escala para filtrar señales espurias e incorpora restricciones farmacológicas durante el aprendizaje, mejorando la calidad de la recomendación.