Cet article étudie la construction de graphes causaux implicites à partir de texte en inférant des événements causaux intermédiaires à l'aide de grands modèles linguistiques (LLM). Il compare la construction de graphes de bout en bout avec les méthodes de découverte de chaînes causales et évalue la validité des relations inférées par rapport à une base de données.
Ce document explore la détection dans le modèle de blocs stochastiques à clusters multiples, en fournissant des preuves pour les conjectures d'atteignabilité. Il discute également de la BP acyclique et des aspects informationnels du modèle.
Ce contenu présente de nouveaux algorithmes d'approximation pour des problèmes graphiques fondamentaux, obtenant des performances améliorées. Il propose une approximation de 7/5 pour le TSP graphique, 3/2 pour la version chemin, et 4/3 pour le problème du sous-graphe 2-arêtes-connexe.
Este artigo apresenta um levantamento e uma taxonomia abrangente de métodos de amostragem de grafos. O estudo organiza e classifica as diversas técnicas existentes, oferecendo uma visão estruturada sobre o tema.
L'article étend le théorème de Courcelle en montrant que les modèles de formules MSO2 avec variables libres peuvent être représentés par des diagrammes de décision de taille linéairement paramétrée. Il établit des bornes supérieures linéaires paramétrées pour les SDD basées sur la treewidth et pour les OBDD basées sur la pathwidth.
AdaGraph est un algorithme de clustering natif de graphes, issu du paradigme Structure-Centric Machine Learning (SC-ML), qui résout la malédiction de la dimensionnalité en remplaçant le calcul géocentrique par un calcul basé sur la topologie. Il opère entièrement au sein de la topologie de graphe kNN, ne nécessite pas de spécification a priori du nombre de clusters et s'adapte efficacement.
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.
Ce contenu propose une étude exhaustive des divers algorithmes permettant de trouver le chemin le plus court dans les graphes. Il explore les méthodologies, les complexités et les applications pratiques de chaque algorithme, offrant une vue approfondie aux étudiants et chercheurs.
Ce document explore des modèles basés sur la théorie des graphes pour la prédiction des mesures moléculaires. La recherche se concentre sur l'application de structures mathématiques pour comprendre et anticiper les propriétés chimiques et biologiques.