GraphLoRA propõe um novo framework para Recomendação com Grandes Modelos de Linguagem (LLMRec) que integra informações estruturais com semântica textual. Ele incorpora uma rede de passagem de mensagens de grafos treinável no caminho de adaptação de baixo posto, permitindo que a topologia colaborativa guie as atualizações de parâmetros.
Este artigo propõe uma rede de grafos temporal multi-nível com fusão local-global para diagnóstico de falhas em processos industriais. Ele aborda a complexidade das relações entre sensores, utilizando grafos de correlação dinâmicos e combinando LSTMs para características temporais com camadas de convolução de grafos para dependências espaciais.
Este estudo propõe uma abordagem de aprendizado por reforço hierárquico baseado em grafos para o co-design automatizado de ciclos termodinâmicos de alto desempenho. A metodologia utiliza redes neurais profundas para decodificação e um framework de RL para explorar a evolução estrutural e otimizar parâmetros.
Esta pesquisa apresenta o `subgraph2vec`, um método inovador para aprender representações distribuídas de subgrafos enraizados extraídos de grandes grafos. O objetivo é incorporar estruturas de grafos complexas em um espaço vetorial de menor dimensão, facilitando diversas tarefas de aprendizado de máquina em dados de grafos.
Este artigo detalha o uso de redes neurais gráficas (GNNs) para prever a geração de energia fotovoltaica em medidores inteligentes de borda em uma microrrede. Ele explora o treinamento e a implantação de modelos GCN e GraphSAGE, incluindo um operador ONNX customizado, com um estudo de caso usando dados reais para demonstrar sua execução bem-sucedida em medidores inteligentes.
DBGL apresenta um novo método de Aprendizagem de Grafo Bipartido com Consciência de Decaimento para classificar séries temporais médicas irregulares. Ele emprega um grafo bipartido paciente-variável para capturar padrões de amostragem irregulares e relações entre variáveis, além de uma codificação de decaimento temporal específica de nó para a irregularidade de decaimento das variáveis.
O framework ST-GAT, uma Rede Neural Gráfica explicável, oferece uma solução de alerta precoce para a detecção de risco bancário e vigilância de contágio interbancário nos EUA. Ele modela mais de 8.000 instituições financeiras, alcançando alta performance (AUPRC de 0.939) e identificando fatores preditivos cruciais como ROA e NPL.
Graph-MLP apresenta uma abordagem inovadora para classificação de nós em redes neurais gráficas, divergindo dos mecanismos tradicionais de passagem de mensagens. Este método visa melhorar a eficiência e o desempenho classificando nós diretamente na estrutura do grafo.
Este conteúdo aborda o uso de embeddings neurais para representar grafos. A pesquisa explora a aplicação do espaço hiperbólico para essa representação, indicando um tópico avançado em aprendizado de máquina.
O artigo apresenta Hierarchical Multi-view HAAR (HMH), uma nova estrutura de aprendizado espectral de grafos para resolver problemas de oversmoothing e agregação enviesada em GNNs heterófilas. HMH constrói uma hierarquia de grafos suave e aplica filtros espectrais aprendíveis com bases Haar, atingindo escalabilidade quase linear.
Este conteúdo explora a aplicação de inferência neural gráfica probabilística para missões de levantamento geológico planetário. Foca na integração dessas técnicas em infraestruturas com balanço negativo de carbono.
Este conteúdo aborda o desafio da manutenção de robótica suave bioinspirada, onde métodos de sensor tradicionais falham devido à natureza flexível dos robôs. Propõe uma solução inovadora que combina redes neurais gráficas probabilísticas com arquitetura de confiança zero para monitoramento e governança eficazes.
O autor descreve sua descoberta ao modelar cadeias de suprimentos circulares com GNNs e dados extremamente esparsos. A solução encontrada foi abraçar a incerteza através de técnicas de inferência probabilística para superar as limitações dos modelos tradicionais.
O autor explora as limitações da IA centralizada em um projeto de monitoramento costeiro de baixa energia, onde o envio de dados brutos de sensores consumia rapidamente a bateria. Isso o levou a considerar a Inferência Neural Gráfica Probabilística para permitir o raciocínio eficiente e localizado em implantações autônomas na borda.
Redes Convolucionais de Grafos Direcionados (DGCNs) são um tipo especializado de rede neural projetada para processar dados estruturados como grafos direcionados. Elas estendem as GCNs tradicionais, capturando eficazmente informações direcionais e relacionamentos em estruturas de rede complexas.
O artigo arXiv 2605.11145 propõe DPAA, um framework de desenviesamento para filtragem colaborativa baseada em GNNs que aplica pesos adaptativos na passagem de mensagens. Ele combate a amplificação da popularidade e supera métodos anteriores em conjuntos de dados reais.
Este artigo propõe um Modelo de Detecção de Fraude Baseado em Grafos (DPF-GFD) com Filtragem de Grafo de Caminho Duplo. Ele aborda os desafios inerentes aos grafos de fraude aplicando um operador baseado em wavelet beta e um filtro passa-baixa a um grafo de similaridade.
O artigo propõe o Transductive Sharpening (TS), uma modificação de nível de perda para a classificação semissupervisionada de nós. Ele aproveita as previsões em nós não rotulados, minimizando a entropia da previsão para extrair sinais de treinamento úteis.
Mochi é um Modelo de Fundação Gráfica que melhora a eficiência e unificação de tarefas através de uma estrutura de treinamento baseada em meta-aprendizagem. Ele realiza o pré-treinamento com episódios few-shot que espelham a avaliação downstream, superando as limitações dos métodos tradicionais e alcançando desempenho competitivo.
GraphDiffMed é um novo framework para recomendação de medicação segura e eficaz a partir de registros eletrônicos de saúde. Ele utiliza atenção diferencial em dupla escala para filtrar ruído e incorpora restrições farmacológicas durante o aprendizado, melhorando a qualidade da recomendação.