Este artigo propõe uma abordagem acionável em tempo real para modelar a dinâmica de equipes cirúrgicas utilizando grafos de interação expandidos no tempo. O modelo permite inferência eficiente com uma rede neural de grafos estática, prevendo a eficiência processual e suportando análise contrafactual para identificar mudanças na estrutura de comunicação.
Propomos o PathBoost, um método de boosting de árvores gradientes para classificação e regressão em nível de grafo, que aprende características discriminativas baseadas em caminhos diretamente da estrutura de entrada do grafo. Este método introduz adaptações para classificação binária, incorpora múltiplos atributos de nós e arestas, e realiza seleção automática de nós âncora, superando ou igualando redes neurais de grafo e abordagens de kernel de grafo em vários conjuntos de dados.
O artigo apresenta o Mask-Morph Graph U-Net (MMGUNet), uma abordagem para superar as limitações das arquiteturas hierárquicas Graph U-Net em simulações de impacto. Ele visa melhorar a generalização mantendo a conectividade fixa do grafo grosso e aprimorando a correspondência espacial, oferecendo uma alternativa mais rápida às simulações de elementos finitos.
Este artigo apresenta Logic-GNN, uma estrutura neuro-simbólica que usa Redes Neurais Gráficas Temporais e Complexidade de Kolmogorov para detectar erros de entrada de dados em registros clínicos. Ele identifica anomalias como "violações gramaticais" em uma gramática lógica latente de interações médicas, alcançando um F1-score de 0.94.
Esta pesquisa propõe uma estrutura para interpretar representações de modelos de linguagem proteica, projetando-as em grafos de contato proteicos e aplicando SoftBlobGIN, uma Rede de Isomorfismo de Grafo. Este método realiza a passagem de mensagens ciente da estrutura para aprender subestruturas funcionais, alcançando 92,8% de precisão na classificação de enzimas e fornecendo explicações estruturais auditáveis.
Esta pesquisa revela uma heurística dependente de mini-batch em modelos populares de previsão de links baseados em GNNs, possibilitada por camadas de normalização em lote. Este viés pode levar a uma superestimação da capacidade dos modelos de aprender representações de grafo generalizadas, em vez de transferir as propriedades subjacentes do grafo.
Este artigo pesquisa a comunicação baseada em GNNs no aprendizado por reforço multiagente (MARL), observando a falta de uma estrutura explícita. Ele propõe um processo de comunicação generalizado baseado em GNNs para tornar os conceitos subjacentes mais óbvios e acessíveis.
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.
Esta pesquisa propõe o enriquecimento semântico de micro-blogs de investidores para melhorar a análise de emoções orientada por opiniões. Aumenta o conjunto de dados StockEmotions com gráficos de opinião granulares usando um pipeline LLM e demonstra um melhor desempenho de classificação com Redes Neurais Gráficas.
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.