Buchumschlag

Towards Principled Graph Transformers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Müller, Luis, Kusuma, Daniel, Bonet, Blai, Morris, Christopher
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning More Expressive General Policies for Classical Planning Domains
von: Ståhlberg, Simon, et al.
Veröffentlicht: (2024)

Learning General Policies with Policy Gradient Methods
von: Ståhlberg, Simon, et al.
Veröffentlicht: (2025)

Attending to Graph Transformers
von: Müller, Luis, et al.
Veröffentlicht: (2023)

Principled Data Augmentation for Learning to Solve Quadratic Programming Problems
von: Qian, Chendi, et al.
Veröffentlicht: (2025)

Learning General Policies From Examples
von: Bonet, Blai, et al.
Veröffentlicht: (2025)

Survey on Generalization Theory for Graph Neural Networks
von: Vasileiou, Antonis, et al.
Veröffentlicht: (2025)

Towards Mechanistic Interpretability of Graph Transformers via Attention Graphs
von: El, Batu, et al.
Veröffentlicht: (2025)

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

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

On Policy Reuse: An Expressive Language for Representing and Executing General Policies that Call Other Policies
von: Bonet, Blai, et al.
Veröffentlicht: (2024)

TGFormer: Towards Temporal Graph Transformer with Auto-Correlation Mechanism
von: Chen, Hongjiang, et al.
Veröffentlicht: (2026)

Towards an Understanding of Stepwise Inference in Transformers: A Synthetic Graph Navigation Model
von: Khona, Mikail, et al.
Veröffentlicht: (2024)

Toward a Graph Foundation Model: Pre-Training Transformers With Random Walks
von: Tang, Ziyuan, et al.
Veröffentlicht: (2025)

Towards Principled Unsupervised Multi-Agent Reinforcement Learning
von: Zamboni, Riccardo, et al.
Veröffentlicht: (2025)

Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts
von: Yang, Jinluan, et al.
Veröffentlicht: (2024)

Graph Tokenization for Bridging Graphs and Transformers
von: Guo, Zeyuan, et al.
Veröffentlicht: (2026)

Principled Understanding of Generalization for Generative Transformer Models in Arithmetic Reasoning Tasks
von: Xu, Xingcheng, et al.
Veröffentlicht: (2024)

PAINET: A Principled Efficient Transformer for 3D Dynamics Modeling
von: Yang, Kai, et al.
Veröffentlicht: (2025)

Towards a Formal Creativity Theory: Preliminary results in Novelty and Transformativeness
von: Santo, Luís Espírito, et al.
Veröffentlicht: (2024)

BOxCrete: A Bayesian Optimization Open-Source AI Model for Concrete Strength Forecasting and Mix Optimization
von: Baten, Bayezid, et al.
Veröffentlicht: (2026)

State Space Models on Temporal Graphs: A First-Principles Study
von: Li, Jintang, et al.
Veröffentlicht: (2024)

Enhanced Graph Transformer with Serialized Graph Tokens
von: Wang, Ruixiang, et al.
Veröffentlicht: (2026)

Graph Propagation Transformer for Graph Representation Learning
von: Chen, Zhe, et al.
Veröffentlicht: (2023)

Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle
von: Bai, Xu, et al.
Veröffentlicht: (2026)

Generalizable Insights for Graph Transformers in Theory and Practice
von: Stoll, Timo, et al.
Veröffentlicht: (2025)

Transformers are Graph Neural Networks
von: Joshi, Chaitanya K.
Veröffentlicht: (2025)

Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting
von: Chen, Wei, et al.
Veröffentlicht: (2024)

Graph of Agents: Principled Long Context Modeling by Emergent Multi-Agent Collaboration
von: Joo, Taejong, et al.
Veröffentlicht: (2025)

HyperFast: Instant Classification for Tabular Data
von: Bonet, David, et al.
Veröffentlicht: (2024)

GraphGPT: Generative Pre-trained Graph Eulerian Transformer
von: Zhao, Qifang, et al.
Veröffentlicht: (2023)

Design Principles for Falsifiable, Replicable and Reproducible Empirical ML Research
von: Vranješ, Daniel, et al.
Veröffentlicht: (2024)

Towards certifiable AI in aviation: landscape, challenges, and opportunities
von: Bello, Hymalai, et al.
Veröffentlicht: (2024)

Are Transformers More Robust? Towards Exact Robustness Verification for Transformers
von: Liao, Brian Hsuan-Cheng, et al.
Veröffentlicht: (2022)

Graph Transformers Dream of Electric Flow
von: Cheng, Xiang, et al.
Veröffentlicht: (2024)

Graph Transformers without Positional Encodings
von: Garg, Ayush
Veröffentlicht: (2024)

Symmetries and Expressive Requirements for Learning General Policies
von: Drexler, Dominik, et al.
Veröffentlicht: (2024)

Generalized Graph Transformer Variational Autoencoder
von: Karki, Siddhant
Veröffentlicht: (2025)

Graph Generative Pre-trained Transformer
von: Chen, Xiaohui, et al.
Veröffentlicht: (2025)

Supercharging Graph Transformers with Advective Diffusion
von: Wu, Qitian, et al.
Veröffentlicht: (2023)

Biologically Plausible Brain Graph Transformer
von: Peng, Ciyuan, et al.
Veröffentlicht: (2025)