Buchumschlag

Attending to Graph Transformers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Müller, Luis, Galkin, Mikhail, Morris, Christopher, Rampášek, Ladislav
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence Neural and Evolutionary Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Position: Graph Learning Will Lose Relevance Due To Poor Benchmarks
von: Bechler-Speicher, Maya, et al.
Veröffentlicht: (2025)

GraphBench: Next-generation graph learning benchmarking
von: Stoll, Timo, et al.
Veröffentlicht: (2025)

Towards graph neural networks for provably solving convex optimization problems
von: Qian, Chendi, et al.
Veröffentlicht: (2025)

MoEUT: Mixture-of-Experts Universal Transformers
von: Csordás, Róbert, et al.
Veröffentlicht: (2024)

SGHormer: An Energy-Saving Graph Transformer Driven by Spikes
von: Zhang, Huizhe, et al.
Veröffentlicht: (2024)

Equation discovery framework EPDE: Towards a better equation discovery
von: Maslyaev, Mikhail, et al.
Veröffentlicht: (2024)

VS-Graph: Scalable and Efficient Graph Classification Using Hyperdimensional Computing
von: Poursiami, Hamed, et al.
Veröffentlicht: (2025)

HyperGraphX: Graph Transductive Learning with Hyperdimensional Computing and Message Passing
von: Cong, Guojing, et al.
Veröffentlicht: (2025)

SGNNBench: A Holistic Evaluation of Spiking Graph Neural Network on Large-scale Graph
von: Zhang, Huizhe, et al.
Veröffentlicht: (2025)

Do Language Models Use Their Depth Efficiently?
von: Csordás, Róbert, et al.
Veröffentlicht: (2025)

Future Directions in the Theory of Graph Machine Learning
von: Morris, Christopher, et al.
Veröffentlicht: (2024)

Learning Graph Quantized Tokenizers
von: Wang, Limei, et al.
Veröffentlicht: (2024)

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

Structure Development in List-Sorting Transformers
von: Urdshals, Einar, et al.
Veröffentlicht: (2025)

Investigating Recurrent Transformers with Dynamic Halt
von: Chowdhury, Jishnu Ray, et al.
Veröffentlicht: (2024)

Continuous Spiking Graph Neural Networks
von: Yin, Nan, et al.
Veröffentlicht: (2024)

A Graph is Worth 1-bit Spikes: When Graph Contrastive Learning Meets Spiking Neural Networks
von: Li, Jintang, et al.
Veröffentlicht: (2023)

Understanding Transformer Optimization via Gradient Heterogeneity
von: Tomihari, Akiyoshi, et al.
Veröffentlicht: (2025)

Spiking Point Transformer for Point Cloud Classification
von: Wu, Peixi, et al.
Veröffentlicht: (2025)

Recurrent Neural Networks Learn to Store and Generate Sequences using Non-Linear Representations
von: Csordás, Róbert, et al.
Veröffentlicht: (2024)

Dynamic Spiking Framework for Graph Neural Networks
von: Yin, Nan, et al.
Veröffentlicht: (2023)

Destroy and Repair Using Hyper Graphs for Routing
von: Li, Ke, et al.
Veröffentlicht: (2025)

Geometry-Aware Spiking Graph Neural Network
von: Zhang, Bowen, et al.
Veröffentlicht: (2025)

General-Purpose In-Context Learning by Meta-Learning Transformers
von: Kirsch, Louis, et al.
Veröffentlicht: (2022)

QSViT: A Methodology for Quantizing Spiking Vision Transformers
von: Putra, Rachmad Vidya Wicaksana, et al.
Veröffentlicht: (2025)

Knowledge-aware Evolutionary Graph Neural Architecture Search
von: Wang, Chao, et al.
Veröffentlicht: (2024)

Decision SpikeFormer: Spike-Driven Transformer for Decision Making
von: Huang, Wei, et al.
Veröffentlicht: (2025)

The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain
von: Kosowski, Adrian, et al.
Veröffentlicht: (2025)

Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics
von: Verma, Lucky
Veröffentlicht: (2026)

Why "classic" Transformers are shallow and how to make them go deep
von: Yu, Yueyao, et al.
Veröffentlicht: (2023)

Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning
von: Xiao, Mingqing, et al.
Veröffentlicht: (2024)

DGPO: RL-Steered Graph Diffusion for Neural Architecture Generation
von: Liuliakov, Aleksei, et al.
Veröffentlicht: (2026)

Graph Network Models To Detect Illicit Transactions In Block Chain
von: Adloori, Hrushyang, et al.
Veröffentlicht: (2024)

Traveling Waves Encode the Recent Past and Enhance Sequence Learning
von: Keller, T. Anderson, et al.
Veröffentlicht: (2023)

Towards Foundation Models for Consensus Rank Aggregation
von: Jin, Yijun, et al.
Veröffentlicht: (2026)

Brain-inspired Chaotic Graph Backpropagation for Large-scale Combinatorial Optimization
von: Tao, Peng, et al.
Veröffentlicht: (2024)

The Geometry of ReLU Networks through the ReLU Transition Graph
von: Dhayalkar, Sahil Rajesh
Veröffentlicht: (2025)

Graph Memory Learning: Imitating Lifelong Remembering and Forgetting of Brain Networks
von: Miao, Jiaxing, et al.
Veröffentlicht: (2024)

Enhancing Graph Representation Learning with Attention-Driven Spiking Neural Networks
von: Yin, Huifeng, et al.
Veröffentlicht: (2024)

Sparsity Moves Computation: How FFN Architecture Reshapes Attention in Small Transformers
von: Smithline, Gabriel, et al.
Veröffentlicht: (2026)