Buchumschlag

On the power of graph neural networks and the role of the activation function

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khalife, Sammy, Basu, Amitabh
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The logic of rational graph neural networks
von: Khalife, Sammy
Veröffentlicht: (2023)

Sample Complexity of Algorithm Selection Using Neural Networks and Its Applications to Branch-and-Cut
von: Cheng, Hongyu, et al.
Veröffentlicht: (2024)

Is uniform expressivity too restrictive? Towards efficient expressivity of graph neural networks
von: Khalife, Sammy, et al.
Veröffentlicht: (2024)

How hard is learning to cut? Trade-offs and sample complexity
von: Khalife, Sammy, et al.
Veröffentlicht: (2025)

Learning Cut Generating Functions for Integer Programming
von: Cheng, Hongyu, et al.
Veröffentlicht: (2024)

Generalization Guarantees for Learning Branch-and-Cut Policies in Integer Programming
von: Cheng, Hongyu, et al.
Veröffentlicht: (2025)

Warm-starting active-set solvers using graph neural networks
von: Schmidtobreick, Ella J., et al.
Veröffentlicht: (2025)

PowerGraph: A power grid benchmark dataset for graph neural networks
von: Varbella, Anna, et al.
Veröffentlicht: (2024)

An energy-efficient spiking neural network with continuous learning for self-adaptive brain-machine interface
von: Biyan, Zhou, et al.
Veröffentlicht: (2025)

Generating adversarial inputs for a graph neural network model of AC power flow
von: Parker, Robert
Veröffentlicht: (2026)

Sample Complexity of Stochastic Optimization with Integer Variables
von: Cheng, Hongyu, et al.
Veröffentlicht: (2026)

Graph neural networks uncover structure and functions underlying the activity of simulated neural assemblies
von: Allier, Cédric, et al.
Veröffentlicht: (2026)

Operational risk quantification of power grids using graph neural network surrogates of the DC OPF
von: Zhang, Yadong, et al.
Veröffentlicht: (2023)

Understanding the role of depth in the neural tangent kernel for overparameterized neural networks
von: St-Arnaud, William, et al.
Veröffentlicht: (2025)

Learning production functions for supply chains with graph neural networks
von: Chang, Serina, et al.
Veröffentlicht: (2024)

Metalearning traffic assignment for network disruptions with graph convolutional neural networks
von: Agriesti, Serio, et al.
Veröffentlicht: (2026)

Incorporating graph neural network into route choice model
von: Ma, Yuxun, et al.
Veröffentlicht: (2025)

Do graph neural network states contain graph properties?
von: Pelletreau-Duris, Tom, et al.
Veröffentlicht: (2024)

Holographic functions and neural networks
von: Szegedy, Balazs
Veröffentlicht: (2026)

Generative neural networks for characteristic functions
von: Brück, Florian
Veröffentlicht: (2024)

Prototype-enhanced prediction in graph neural networks for climate applications
von: Keshtmand, Nawid, et al.
Veröffentlicht: (2025)

Leveraging graph neural networks for supporting Automatic Triage of Patients
von: Defilippo, Annamaria, et al.
Veröffentlicht: (2024)

Fast instance-specific algorithm configuration with graph neural network
von: Aihara, Shingo, et al.
Veröffentlicht: (2025)

The impact of allocation strategies in subset learning on the expressive power of neural networks
von: Schlisselberg, Ofir, et al.
Veröffentlicht: (2025)

Applying graph neural network to SupplyGraph for supply chain network
von: Han, Kihwan
Veröffentlicht: (2024)

A survey of dynamic graph neural networks
von: Zheng, Yanping, et al.
Veröffentlicht: (2024)

Research on the application of graph data structure and graph neural network in node classification/clustering tasks
von: Wang, Yihan, et al.
Veröffentlicht: (2025)

Nonlinear functional regression by functional deep neural network with kernel embedding
von: Shi, Zhongjie, et al.
Veröffentlicht: (2024)

Predicting fluid-structure interaction with graph neural networks
von: Gao, Rui, et al.
Veröffentlicht: (2022)

A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data
von: Chakravorty, Amitabh, et al.
Veröffentlicht: (2025)

Nonlinear subspace clustering by functional link neural networks
von: Shi, Long, et al.
Veröffentlicht: (2024)

Motif distribution and function of sparse deep neural networks
von: Zahn, Olivia T., et al.
Veröffentlicht: (2024)

Multi-layer random features and the approximation power of neural networks
von: Takhanov, Rustem
Veröffentlicht: (2024)

Orders-of-coupling representation with a single neural network with optimal neuron activation functions and without nonlinear parameter optimization
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Interpreting core forms of urban morphology linked to urban functions with explainable graph neural network
von: Chen, Dongsheng, et al.
Veröffentlicht: (2025)

Differential equation and probability inspired graph neural networks for latent variable learning
von: Shi, Zhuangwei
Veröffentlicht: (2022)

Towards Lower Bounds on the Depth of ReLU Neural Networks
von: Hertrich, Christoph, et al.
Veröffentlicht: (2021)

Learning to accelerate distributed ADMM using graph neural networks
von: Doerks, Henri, et al.
Veröffentlicht: (2025)

Robustness questions the interpretability of graph neural networks: what to do?
von: Lukyanov, Kirill, et al.
Veröffentlicht: (2025)

Learnable quantum spectral filters for hybrid graph neural networks
von: Daskin, Ammar
Veröffentlicht: (2025)