:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zheng, Shuai, Zhu, Zhenfeng, Liu, Zhizhe, Cheng, Jian, Zhao, Yao
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2103.07295
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SiGNN: A Spike-induced Graph Neural Network for Dynamic Graph Representation Learning
von: Chen, Dong, et al.
Veröffentlicht: (2024)

Dynamic Graph Condensation
von: Chen, Dong, et al.
Veröffentlicht: (2025)

FlexCare: Leveraging Cross-Task Synergy for Flexible Multimodal Healthcare Prediction
von: Xu, Muhao, et al.
Veröffentlicht: (2024)

Human Cognition Inspired RAG with Knowledge Graph for Complex Problem Solving
von: Cheng, Yao, et al.
Veröffentlicht: (2025)

GJDNet: Robust Graph Neural Networks via Joint Disentangled Learning Against Adversarial Attacks
von: Cui, Canyixing, et al.
Veröffentlicht: (2026)

Disentangled Generative Graph Representation Learning
von: Hu, Xinyue, et al.
Veröffentlicht: (2024)

Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation
von: Zhao, Xinjian, et al.
Veröffentlicht: (2024)

Conformalized Link Prediction on Graph Neural Networks
von: Zhao, Tianyi, et al.
Veröffentlicht: (2024)

CoDeGAN: Contrastive Disentanglement for Generative Adversarial Network
von: Zhao, Jiangwei, et al.
Veröffentlicht: (2021)

Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision
von: Zhang, Zeyang, et al.
Veröffentlicht: (2024)

Collaborative Cognitive Diagnosis with Disentangled Representation Learning for Learner Modeling
von: Gao, Weibo, et al.
Veröffentlicht: (2024)

Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network for Multimodal Depression Detection
von: Fu, Changzeng, et al.
Veröffentlicht: (2025)

Disentangling Policy from Offline Task Representation Learning via Adversarial Data Augmentation
von: Jia, Chengxing, et al.
Veröffentlicht: (2024)

Towards Effective and Efficient Graph Alignment without Supervision
von: Chen, Songyang, et al.
Veröffentlicht: (2026)

Disentangled Graph Autoencoder for Treatment Effect Estimation
von: Fan, Di, et al.
Veröffentlicht: (2024)

Mixed Dynamics In Linear Networks: Unifying the Lazy and Active Regimes
von: Tu, Zhenfeng, et al.
Veröffentlicht: (2024)

Disentangling Multiplex Spatial-Temporal Transition Graph Representation Learning for Socially Enhanced POI Recommendation
von: Li, Jie, et al.
Veröffentlicht: (2025)

Mitigating the Structural Bias in Graph Adversarial Defenses
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Disentangled Representation Learning for Causal Inference with Instruments
von: Cheng, Debo, et al.
Veröffentlicht: (2024)

Self-Distilled Disentangled Learning for Counterfactual Prediction
von: Li, Xinshu, et al.
Veröffentlicht: (2024)

ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability
von: Chen, Hongjiang, et al.
Veröffentlicht: (2026)

Learning Network Representations with Disentangled Graph Auto-Encoder
von: Fan, Di, et al.
Veröffentlicht: (2024)

Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer
von: Zhu, ZhiTeng, et al.
Veröffentlicht: (2025)

Untargeted Adversarial Attack on Knowledge Graph Embeddings
von: Zhao, Tianzhe, et al.
Veröffentlicht: (2024)

Disentangling Homophily and Heterophily in Multimodal Graph Clustering
von: Guo, Zhaochen, et al.
Veröffentlicht: (2025)

GraphKeeper: Graph Domain-Incremental Learning via Knowledge Disentanglement and Preservation
von: Guo, Zihao, et al.
Veröffentlicht: (2025)

Disentangled Representation Learning
von: Wang, Xin, et al.
Veröffentlicht: (2022)

Independence Constrained Disentangled Representation Learning from Epistemological Perspective
von: Wang, Ruoyu, et al.
Veröffentlicht: (2024)

Inductive Subgraphs as Shortcuts: Causal Disentanglement for Heterophilic Graph Learning
von: Wang, Xiangmeng, et al.
Veröffentlicht: (2026)

A Versatile Graph Learning Approach through LLM-based Agent
von: Wei, Lanning, et al.
Veröffentlicht: (2023)

AFD: Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement
von: Zhou, Nuoyan, et al.
Veröffentlicht: (2024)

Understanding Model Ensemble in Transferable Adversarial Attack
von: Yao, Wei, et al.
Veröffentlicht: (2024)

Generating Adversarial Point Clouds Using Diffusion Model
von: Zhao, Ruiyang, et al.
Veröffentlicht: (2025)

Graph VQ-Transformer (GVT): Fast and Accurate Molecular Generation via High-Fidelity Discrete Latents
von: Zheng, Haozhuo, et al.
Veröffentlicht: (2025)

Decentralized Adversarial Training over Graphs
von: Cao, Ying, et al.
Veröffentlicht: (2023)

Deep Disentangled Representation Network for Treatment Effect Estimation
von: Meng, Hui, et al.
Veröffentlicht: (2025)

Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning
von: Liu, Jinshan, et al.
Veröffentlicht: (2026)

Adversarial Signed Graph Learning with Differential Privacy
von: Ke, Haobin, et al.
Veröffentlicht: (2025)

Unifying Adversarial Perturbation for Graph Neural Networks
von: Yang, Jinluan, et al.
Veröffentlicht: (2025)

Relaxing Continuous Constraints of Equivariant Graph Neural Networks for Physical Dynamics Learning
von: Zheng, Zinan, et al.
Veröffentlicht: (2024)