Graph Neural Networks

30 items

RESEARCHarXiv CS.CL·il y a 20h

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

GraphLoRA propose un nouveau cadre pour la recommandation par grands modèles de langage (LLMRec) qui intègre les informations structurelles à la sémantique textuelle. Il y parvient en intégrant un réseau d'échange de messages graphiques entraînable dans le chemin d'adaptation de rang faible, permettant à la topologie collaborative de guider explicitement les mises à jour des paramètres.

Low-Rank Adaptation Graph Neural Networks Recommendation Systems AI Research

RESEARCHarXiv CS.LG·22/04/2026

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

Cet article propose un réseau de graphes temporel multi-niveaux avec fusion de caractéristiques local-global pour le diagnostic des pannes industrielles. Il aborde les relations complexes entre les capteurs en construisant dynamiquement des graphes de corrélation et en combinant des encodeurs basés sur LSTM pour les caractéristiques temporelles avec des couches de convolution de graphes pour les dépendances spatiales.

fault diagnosis industrial AI deep learning Graph Neural Networks

RESEARCHarXiv CS.LG·16/04/2026

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

Cette étude introduit une approche d'apprentissage par renforcement hiérarchique basée sur les graphes pour la co-conception automatisée de cycles thermodynamiques haute performance. Elle encode les cycles comme des graphes, utilise un substitut de deep learning pour le décodage et un cadre de RL pour l'évolution structurelle et l'optimisation des paramètres.

Energy Systems deep learning reinforcement learning Graph Neural Networks

RESEARCHDEV.to AI·24/04/2026

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

Cette recherche introduit `subgraph2vec`, une nouvelle méthode pour apprendre des représentations distribuées de sous-graphes enracinés extraits de grands graphes. Elle vise à intégrer des structures de graphes complexes dans un espace vectoriel de dimension inférieure, facilitant diverses tâches d'apprentissage automatique sur les données de graphes.

Graph Neural Networks machine learning graph embeddings

RESEARCHarXiv CS.LG·23/04/2026

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

Cet article détaille l'utilisation des réseaux neuronaux graphiques (GNNs) pour la prévision de la production d'énergie photovoltaïque sur des compteurs intelligents en périphérie dans un microréseau. Il explore la formation et le déploiement des modèles GCN et GraphSAGE, y compris un opérateur ONNX personnalisé, avec une étude de cas utilisant des données réelles démontrant leur exécution réussie sur des compteurs intelligents.

machine learning deployment energy forecasting IoT Graph Neural Networks

RESEARCHarXiv CS.LG·15/04/2026

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

DBGL introduit une nouvelle méthode d'apprentissage par graphe bipartite sensible à la décroissance pour la classification des séries temporelles médicales irrégulières. Elle utilise un graphe bipartite patient-variable pour modéliser les schémas d'échantillonnage irréguliers et les relations entre variables, ainsi qu'un encodage de décroissance temporelle spécifique aux nœuds pour l'irrégularité de décroissance des variables.

Graph Neural Networks machine learning medical AI irregular data

RESEARCHarXiv CS.LG·17/04/2026

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

Le framework ST-GAT, un réseau neuronal graphique explicable, offre une solution d'alerte précoce pour la détection de la détresse bancaire et la surveillance de la contagion interbancaire aux États-Unis. Il modélise plus de 8 000 institutions du FDIC, atteignant des performances élevées (AUPRC de 0.939) et identifiant des facteurs prédictifs clés tels que le ROA et le Ratio NPL.

Graph Neural Networks machine learning banking Explainable AI

RESEARCHDEV.to AI·il y a 12j

Graph-MLP: Node Classification without Message Passing in Graph

Graph-MLP présente une nouvelle approche pour la classification de nœuds dans les réseaux neuronaux graphiques, s'éloignant des mécanismes traditionnels de passage de messages. Cette méthode vise à améliorer l'efficacité et les performances en classifiant les nœuds directement au sein de la structure du graphe.

deep learning Graph Neural Networks machine learning Graph-MLP

RESEARCHDEV.to AI·11/04/2026

Neural Embeddings of Graphs in Hyperbolic Space

Ce contenu aborde l'utilisation d'embeddings neuronaux pour représenter des graphes. La recherche explore l'application de l'espace hyperbolique pour cette représentation, indiquant un sujet avancé en apprentissage automatique.

neural networks Graph Neural Networks machine learning embeddings

RESEARCHarXiv CS.LG·il y a 27j

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

L'article présente Hierarchical Multi-view HAAR (HMH), un nouveau cadre d'apprentissage spectral de graphes conçu pour mitiger le sur-lissage et l'agrégation biaisée dans les GNN hétérophiles. HMH construit une hiérarchie de graphes douce et applique des filtres spectraux apprenables avec des bases de Haar, atteignant une scalabilité quasi-linéaire.

Heterophily Graph Neural Networks machine learning Spectral Graph Theory

RESEARCHDEV.to AI·03/05/2026

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

Ce contenu explore l'application de l'inférence neuronale graphique probabiliste pour les missions d'étude géologique planétaire. Il se concentre sur l'intégration de ces techniques dans une infrastructure à bilan carbone négatif.

Planetary Science Graph Neural Networks sustainability AI

ARTICLEDEV.to AI·il y a 10j

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

Ce contenu aborde le défi de la maintenance de la robotique souple bio-inspirée, où les méthodes de capteurs traditionnelles échouent en raison de la nature flexible des robots. Il propose une solution innovante combinant les réseaux neuronaux graphiques probabilistes avec une architecture de confiance zéro pour une surveillance et une gouvernance efficaces.

soft robotics security Graph Neural Networks maintenance

RESEARCHDEV.to AI·il y a 16j

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

L'auteur décrit un moment d'illumination lors de la modélisation de chaînes d'approvisionnement manufacturières circulaires avec des RGN dans des scénarios de données extrêmement rares. La solution fut d'embrasser l'incertitude via des techniques d'inférence probabiliste pour surmonter les limites des modèles traditionnels.

Circular Economy Graph Neural Networks Probabilistic Inference Data Sparsity

ARTICLEDEV.to AI·09/05/2026

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

L'auteur examine les limites de l'IA centralisée pour un projet de surveillance côtière à faible consommation, où l'envoi de données brutes des capteurs épuisait rapidement les batteries. Cela l'a amené à explorer l'Inférence Neurale Graphique Probabiliste pour permettre un raisonnement efficace et localisé dans les déploiements autonomes à la périphérie.

edge intelligence Coastal Resilience Graph Neural Networks Low-Power Deployments

RESEARCHDEV.to AI·il y a 26j

Directed Graph Convolutional Network

Les réseaux convolutifs de graphes dirigés (DGCN) sont un type spécialisé de réseau neuronal conçu pour traiter des données structurées sous forme de graphes dirigés. Ils étendent les GCN traditionnels en capturant efficacement les informations directionnelles et les relations au sein de structures de réseau complexes.

deep learning Convolutional Networks Graph Neural Networks machine learning

RESEARCHDEV.to AI·il y a 26j

DPAA Debiases GNN Recommenders by Reweighting Message Passing

L'article arXiv 2605.11145 propose DPAA, un cadre de débiaisement pour le filtrage collaboratif basé sur les GNNs qui applique une pondération adaptative lors du passage des messages. Il lutte contre l'amplification de la popularité et surpasse les méthodes antérieures sur des ensembles de données réels.

recommender systems Graph Neural Networks machine learning Collaborative Filtering

RESEARCHarXiv CS.LG·17/04/2026

Graph-Based Fraud Detection with Dual-Path Graph Filtering

Cet article propose un Modèle de Détection de Fraude Basé sur les Graphes (DPF-GFD) avec Filtrage de Graphe à Double Chemin. Il aborde les défis inhérents aux graphes de fraude en appliquant un opérateur basé sur les ondelettes bêta et un filtre passe-bas amélioré.

Graph Neural Networks machine learning fraud detection

RESEARCHarXiv CS.LG·il y a 19j

Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification

Cet article présente le Transductive Sharpening (TS), une modification au niveau de la perte pour la classification semi-supervisée des nœuds. Il exploite les prédictions sur les nœuds non étiquetés en minimisant l'entropie de prédiction pour extraire des signaux d'entraînement utiles.

semi-supervised learning Graph Neural Networks machine learning Node Classification

RESEARCHarXiv CS.LG·27/04/2026

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

Mochi est un modèle de fondation graphique qui améliore l'efficacité et l'unification des tâches grâce à un cadre d'entraînement basé sur le méta-apprentissage. Il se pré-entraîne sur des épisodes à faible nombre d'exemples qui imitent directement l'évaluation en aval, surmontant les limites des méthodes traditionnelles et obtenant des performances compétitives.

Meta-Learning Model Alignment Graph Neural Networks Foundation Models

RESEARCHarXiv CS.LG·il y a 19j

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

GraphDiffMed est un nouveau cadre pour la recommandation de combinaisons de médicaments sûres et efficaces à partir de dossiers de santé électroniques. Il utilise une attention différentielle à double échelle pour filtrer les signaux parasites et intègre des contraintes pharmacologiques pendant l'apprentissage, améliorant la qualité de la recommandation.

medication recommendation pharmacology Graph Neural Networks healthcare AI