Buchumschlag

Discovering the Representation Bottleneck of Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Fang, Li, Siyuan, Li, Stan Z.
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling
von: Wu, Fang, et al.
Veröffentlicht: (2026)

Instructor-inspired Machine Learning for Robust Molecular Property Prediction
von: Wu, Fang, et al.
Veröffentlicht: (2023)

Graph-level Protein Representation Learning by Structure Knowledge Refinement
von: Wang, Ge, et al.
Veröffentlicht: (2024)

SemiReward: A General Reward Model for Semi-supervised Learning
von: Li, Siyuan, et al.
Veröffentlicht: (2023)

Learning Fair Graph Representations with Multi-view Information Bottleneck
von: Liu, Chuxun, et al.
Veröffentlicht: (2025)

GenURL: A General Framework for Unsupervised Representation Learning
von: Li, Siyuan, et al.
Veröffentlicht: (2021)

Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting
von: Wu, Lirong, et al.
Veröffentlicht: (2024)

RDesign: Hierarchical Data-efficient Representation Learning for Tertiary Structure-based RNA Design
von: Tan, Cheng, et al.
Veröffentlicht: (2023)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

Delayed Bottlenecking: Alleviating Forgetting in Pre-trained Graph Neural Networks
von: Zhao, Zhe, et al.
Veröffentlicht: (2024)

Pre-training Graph Neural Networks on Molecules by Using Subgraph-Conditioned Graph Information Bottleneck
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2024)

Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks?
von: Srinivasan, Srinitish, et al.
Veröffentlicht: (2025)

Dynamic Graph Information Bottleneck
von: Yuan, Haonan, et al.
Veröffentlicht: (2024)

Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module
von: Zhou, Jingbo, et al.
Veröffentlicht: (2023)

Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning
von: Xiong, Jiafeng, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Learning Equivariant Representations of Neural Networks
von: Kofinas, Miltiadis, et al.
Veröffentlicht: (2024)

CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph
von: Lin, Haitao, et al.
Veröffentlicht: (2024)

IBNorm: Information-Bottleneck Inspired Normalization for Representation Learning
von: Zou, Xiandong, et al.
Veröffentlicht: (2025)

CCPL: Cross-modal Contrastive Protein Learning
von: Zheng, Jiangbin, et al.
Veröffentlicht: (2023)

VecFormer: Towards Efficient and Generalizable Graph Transformer with Graph Token Attention
von: Zhou, Jingbo, et al.
Veröffentlicht: (2026)

Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck
von: Shou, Yuntao, et al.
Veröffentlicht: (2024)

Prediction Bottlenecks Don't Discover Causal Structure (But Here's What They Actually Do)
von: Lade, Ankit Hemant, et al.
Veröffentlicht: (2026)

Decoupling Weighing and Selecting for Integrating Multiple Graph Pre-training Tasks
von: Fan, Tianyu, et al.
Veröffentlicht: (2024)

Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling
von: Li, Mengran, et al.
Veröffentlicht: (2025)

GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype
von: Chi, Changxi, et al.
Veröffentlicht: (2025)

Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization
von: Wu, Lirong, et al.
Veröffentlicht: (2024)

Exploring Consistency in Graph Representations:from Graph Kernels to Graph Neural Networks
von: Liu, Xuyuan, et al.
Veröffentlicht: (2024)

Discovering Chunks in Neural Embeddings for Interpretability
von: Wu, Shuchen, et al.
Veröffentlicht: (2025)

Approximate Subgraph Matching with Neural Graph Representations and Reinforcement Learning
von: Li, Kaiyang, et al.
Veröffentlicht: (2026)

The Interaction Bottleneck of Deep Neural Networks: Discovery, Proof, and Modulation
von: Deng, Huiqi, et al.
Veröffentlicht: (2025)

Compositional Function Networks: A High-Performance Alternative to Deep Neural Networks with Built-in Interpretability
von: Li, Fang
Veröffentlicht: (2025)

Commute Graph Neural Networks
von: Zhuo, Wei, et al.
Veröffentlicht: (2024)

Orientation-Aware Graph Neural Networks for Protein Structure Representation Learning
von: Li, Jiahan, et al.
Veröffentlicht: (2022)

Bridging Theory and Practice in Link Representation with Graph Neural Networks
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

GaGSL: Global-augmented Graph Structure Learning via Graph Information Bottleneck
von: Li, Shuangjie, et al.
Veröffentlicht: (2024)

A Compact Representation for Bayesian Neural Networks By Removing Permutation Symmetry
von: Xiao, Tim Z., et al.
Veröffentlicht: (2023)

Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning
von: Wu, Lirong, et al.
Veröffentlicht: (2024)

Teach Harder, Learn Poorer: Rethinking Hard Sample Distillation for GNN-to-MLP Knowledge Distillation
von: Wu, Lirong, et al.
Veröffentlicht: (2024)

Universal Prompt Tuning for Graph Neural Networks
von: Fang, Taoran, et al.
Veröffentlicht: (2022)

FoldToken2: Learning compact, invariant and generative protein structure language
von: Gao, Zhangyang, et al.
Veröffentlicht: (2024)