Suche nach Graphstrukturen

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

In der Welt der Graph Neural Networks (GNNs) ist das Training großer Modelle ein komplexes Unterfangen. Traditionell werden dabei Nachbarn…

arXiv – cs.LG 02.03.2026 05:00

Forschung

HEHRGNN: Einheitliches Modell für Wissensgraphen mit Hyperkanten

Wissensgraphen (KG) haben sich als strukturierte, maschinenlesbare Darstellung von realen Fakten etabliert und ermöglichen fortgeschrittene…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neues GNN-Modell reduziert spurious Verbindungen für Graphrepräsentationen

Graphdaten sind häufig von Rauschen und trügerischen Zusammenhängen durchdrungen, die die eigentlichen kausalen Beziehungen verbergen. Dies…

arXiv – cs.LG 23.02.2026 05:00

Forschung

ATEX-CF: Angriffsgestützte Gegenfaktische Erklärungen für Graph Neural Networks

Ein neues Verfahren namens ATEX‑CF vereint die Techniken von Adversarial Attacks und Gegenfaktischen Erklärungen, um Graph Neural Networks…

arXiv – cs.LG 09.02.2026 05:00

Forschung

Neues Framework GraIP: Einheitliche Benchmark für graphbasierte Inverse Probleme

Ein neues Forschungswerk aus dem arXiv-Repository präsentiert GraIP, ein umfassendes Konzept für graphbasierte Inverse Probleme. Dabei werd…

arXiv – cs.LG 28.01.2026 05:00

Forschung

MetaDG: Dynamische Graphen revolutionieren Verkehrsflussvorhersagen

Die Vorhersage von Verkehrsflüssen ist ein klassisches Problem der spatio‑temporalen Analyse, das in vielen Bereichen von der Verkehrsplanu…

arXiv – cs.LG 16.01.2026 05:00

Forschung

Quantisierung von LLMs: 4‑Bit‑Modelle behalten kausale Genauigkeit bei

Eine neue Studie aus dem arXiv‑Repository untersucht, wie stark die Reduktion der numerischen Präzision bei großen Sprachmodellen die Fähig…

arXiv – cs.AI 17.12.2025 05:00

Forschung

Neue XAI-Methoden für Graph Neural Networks: Struktur und Konzepte erklärt

Graph Neural Networks (GNNs) haben sich als äußerst leistungsfähiges Werkzeug für die Modellierung und Analyse von Daten mit Graphstrukture…

arXiv – cs.AI 10.12.2025 05:00

Forschung

PR-CapsNet: Adaptive Krümmungsrouting in Pseudo‑Riemannian Capsule‑Netzwerken

Capsule Networks (CapsNets) haben sich als äußerst leistungsfähig für die graphbasierte Datenrepräsentation erwiesen, weil sie durch dynami…

arXiv – cs.LG 10.12.2025 05:00

Forschung

LLMs meistern Text-Graphen ohne Struktur – Struktur hilft nicht mehr

In einer aktuellen Untersuchung auf arXiv wird die Annahme in Frage gestellt, dass graphbasierte Strukturen für große Sprachmodelle (LLMs)…

arXiv – cs.LG 24.11.2025 05:00

Forschung

DS-Span: Einfache, leistungsstarke Subgraph‑Mining‑Methode für Graph‑Embeddings

Graph‑Representation‑Learning versucht, komplexe, hochdimensionale Graphstrukturen in kompakte Vektorräume zu überführen, die sowohl die To…

arXiv – cs.LG 24.11.2025 05:00

Forschung

Neues Verfahren verbessert Clustering bei unvollständigen Mehransichtsdaten

Ein neues Verfahren namens DGIMVCM (Dynamic Deep Graph Learning for Incomplete Multi‑View Clustering with Masked Graph Reconstruction Loss)…

arXiv – cs.LG 17.11.2025 05:00

Forschung

Neues Verfahren stärkt Graph Neural Networks gegen Angriffe

Graph Neural Networks (GNNs) sind anfällig für gezielte Manipulationen von Knotendaten und Graphstrukturen. Um diese Schwachstellen zu bekä…

arXiv – cs.LG 03.09.2025 05:00

Forschung

GDS-Agent: LLMs meistern komplexe Graphdaten mit neuen Algorithmen

In einem aktuellen Bericht auf arXiv wird der GDS‑Agent vorgestellt, ein Tool, das große Sprachmodelle (LLMs) in die Lage versetzt, komplex…

arXiv – cs.LG 29.08.2025 05:00

Forschung

FairGuide: Neue Verbindungen für faire Graphen und gerechte Gemeinschaften

Graph Neural Networks (GNNs) haben in den letzten Jahren enorme Fortschritte erzielt, doch ihre Leistung wird oft durch Verzerrungen in den…

arXiv – cs.LG 22.08.2025 05:00

Forschung

Neues GNN-Modell GODNF verbessert Diffusion auf Graphen

In der Forschung zu Graph Neural Networks (GNNs) gewinnt die Diffusion-basierte Methode zunehmend an Bedeutung, weil sie die Verbindung zwi…

arXiv – cs.LG 18.08.2025 05:00

Forschung

<p>LLMs meistern Graphaufgaben ohne spezielle Encoder – neue Studie zeigt</p> <p>Eine aktuelle Veröffentlichung auf arXiv (ID 2508.10115v1) untersucht, ob große Sprachmodelle (LLMs) komplexe Graphaufgaben lösen können, ohne auf spezialisierte Graphencodierer zurückgreifen zu müssen. Die Autoren stellen drei zentrale Forschungsfragen: Können LLMs grundlegende Graphaufgaben erlernen? Können sie die erlernten Lösungen auf unbekannte Graphstrukturen und Aufgaben übertragen? Und welche Vorteile bieten die versch

arXiv – cs.LG 15.08.2025 05:00

Finde Modelle, Firmen und Themen

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

HEHRGNN: Einheitliches Modell für Wissensgraphen mit Hyperkanten

Neues GNN-Modell reduziert spurious Verbindungen für Graphrepräsentationen

ATEX-CF: Angriffsgestützte Gegenfaktische Erklärungen für Graph Neural Networks

Neues Framework GraIP: Einheitliche Benchmark für graphbasierte Inverse Probleme

MetaDG: Dynamische Graphen revolutionieren Verkehrsflussvorhersagen

Quantisierung von LLMs: 4‑Bit‑Modelle behalten kausale Genauigkeit bei

Neue XAI-Methoden für Graph Neural Networks: Struktur und Konzepte erklärt

PR-CapsNet: Adaptive Krümmungsrouting in Pseudo‑Riemannian Capsule‑Netzwerken

LLMs meistern Text-Graphen ohne Struktur – Struktur hilft nicht mehr

DS-Span: Einfache, leistungsstarke Subgraph‑Mining‑Methode für Graph‑Embeddings

Neues Verfahren verbessert Clustering bei unvollständigen Mehransichtsdaten

Neues Verfahren stärkt Graph Neural Networks gegen Angriffe

GDS-Agent: LLMs meistern komplexe Graphdaten mit neuen Algorithmen

FairGuide: Neue Verbindungen für faire Graphen und gerechte Gemeinschaften

Neues GNN-Modell GODNF verbessert Diffusion auf Graphen

🍪 Cookie-Einstellungen