Graph Neural Networks

30 items

RESEARCHarXiv CS.AI·07/05/2026

Actionable Real-Time Modeling of Surgical Team Dynamics via Time-Expanded Interaction Graphs

Cet article propose une approche actionnable en temps réel pour modéliser la dynamique des équipes chirurgicales à l'aide de graphes d'interaction étendus dans le temps. Le modèle permet une inférence efficace avec un réseau neuronal de graphes statique, prédisant l'efficacité procédurale et soutenant l'analyse contrefactuelle pour identifier les changements dans la structure de communication.

Team Performance Graph Neural Networks Surgical Dynamics real-time AI

RESEARCHarXiv CS.LG·il y a 28j

Path-Based Gradient Boosting for Graph-Level Prediction

Nous proposons PathBoost, une méthode de boosting d'arbres de gradient pour la classification et la régression au niveau des graphes, qui apprend des caractéristiques discriminantes basées sur les chemins directement à partir de la structure du graphe d'entrée. Cette méthode introduit des adaptations pour la classification binaire, intègre plusieurs attributs de nœuds et d'arêtes, et sélectionne automatiquement les nœuds d'ancrage, surpassant ou égalant les réseaux neuronaux graphiques et les approches par noyau graphique sur plusieurs ensembles de données de référence.

gradient boosting Graph Neural Networks machine learning graph theory

RESEARCHarXiv CS.LG·il y a 22j

Mask-Morph Graph U-Net: A Generalisable Mesh-Based Surrogate for Crashworthiness Field Prediction under Large Geometric Variation

Cet article présente le Mask-Morph Graph U-Net (MMGUNet), une approche qui résout les limitations des architectures hiérarchiques Graph U-Net dans les simulations de crash. Il vise à améliorer la généralisation en conservant une connectivité de graphe grossière fixe tout en améliorant la correspondance spatiale, offrant une alternative plus rapide aux coûteuses méthodes d'éléments finis.

Surrogate Models Crashworthiness Graph Neural Networks machine learning

RESEARCHarXiv CS.LG·il y a 22j

Logical Grammar Induction via Graph Kolmogorov Complexity: A Neuro-Symbolic Framework for Self-Healing Clinical Data Integrity

Cet article présente Logic-GNN, un cadre neuro-symbolique qui utilise les Réseaux Neuronaux Graphiques Temporels et la Complexité de Kolmogorov pour détecter les erreurs de saisie de données dans les dossiers cliniques. Il identifie les anomalies comme des "violations grammaticales" dans une grammaire logique latente des interactions médicales, atteignant un score F1 de 0,94.

Anomaly Detection data integrity Graph Neural Networks healthcare AI

RESEARCHarXiv CS.LG·il y a 27j

Structural Interpretations of Protein Language Model Representations via Differentiable Graph Partitioning

Cette recherche propose un cadre pour interpréter les représentations des modèles de langage de protéines en les projetant sur des graphes de contact protéiques et en appliquant SoftBlobGIN, un Réseau d'Isomorphisme de Graphes. Cette méthode effectue un passage de messages sensible à la structure pour apprendre des sous-structures fonctionnelles, atteignant 92,8% de précision dans la classification des enzymes et fournissant des explications structurelles auditables.

AI interpretation protein language models structural biology Graph Neural Networks

RESEARCHarXiv CS.LG·30/04/2026

Mini-Batch Class Composition Bias in Link Prediction

Cette recherche révèle une heuristique dépendante des mini-lots dans les modèles populaires de prédiction de liens basés sur les GNN, rendue possible par les couches de normalisation par lots. Ce biais peut conduire à une surestimation de la capacité des modèles à apprendre des représentations de graphe généralisées, plutôt que de transférer les propriétés sous-jacentes du graphe.

Graph Neural Networks Link Prediction representation learning Machine Learning Bias

RESEARCHarXiv CS.LG·30/04/2026

A Survey of Multi-Agent Deep Reinforcement Learning with Graph Neural Network-Based Communication

Cet article examine la communication basée sur les GNNs dans l'apprentissage par renforcement multi-agents (MARL), constatant un manque de structure explicite. Il propose un processus de communication généralisé basé sur les GNNs pour rendre les concepts sous-jacents plus évidents et accessibles.

reinforcement learning Graph Neural Networks multi-agent systems

RESEARCHarXiv CS.LG·06/04/2026

Homophily-aware Supervised Contrastive Counterfactual Augmented Fair Graph Neural Network

Este trabalho propõe um novo modelo para treinar Redes Neurais Gráficas (GNNs) sensíveis à justiça, aprimorando o framework CAF. A abordagem utiliza uma estratégia de treinamento em duas fases, editando o grafo para ajustar a homofilia e integrando perdas contrastivas e ambientais modificadas para melhorar a predição e a justiça.

Homophily contrastive learning Graph Neural Networks machine learning

RESEARCHarXiv CS.CL·06/05/2026

Semantically Enriching Investor Micro-blogs for Opinion-Aware Emotion Analysis: A Practical Approach

Cette recherche propose d'enrichir sémantiquement les micro-blogs d'investisseurs pour améliorer l'analyse des émotions basée sur l'opinion. Elle augmente l'ensemble de données StockEmotions avec des graphes d'opinion granulaires via un pipeline LLM et démontre une performance de classification améliorée avec les Réseaux de Neurones Graphiques.

Emotion Analysis Graph Neural Networks NLP sentiment analysis

RESEARCHarXiv CS.AI·06/04/2026

OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing

O título sugere 'OntoKG', um método para construção de grafos de conhecimento orientado a ontologias com roteamento intrínseco-relacional. Contudo, a ausência de conteúdo impede qualquer análise aprofundada do material.

ontology Knowledge Graphs Knowledge Graph Graph Neural Networks