Buchumschlag

PRES: Toward Scalable Memory-Based Dynamic Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Su, Junwei, Zou, Difan, Wu, Chuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Robust Graph Incremental Learning on Evolving Graphs
von: Su, Junwei, et al.
Veröffentlicht: (2024)

Improving Implicit Regularization of SGD with Preconditioning for Least Square Problems
von: Su, Junwei, et al.
Veröffentlicht: (2024)

On the Limitation and Experience Replay for GNNs in Continual Learning
von: Su, Junwei, et al.
Veröffentlicht: (2023)

On the Interplay between Graph Structure and Learning Algorithms in Graph Neural Networks
von: Su, Junwei, et al.
Veröffentlicht: (2025)

On the Topology Awareness and Generalization Performance of Graph Neural Networks
von: Su, Junwei, et al.
Veröffentlicht: (2024)

A Non-Asymptotic Convergent Analysis for Scored-Based Graph Generative Model via a System of Stochastic Differential Equations
von: Su, Junwei, et al.
Veröffentlicht: (2025)

Learning under Quantization for High-Dimensional Linear Regression
von: Zhang, Dechen, et al.
Veröffentlicht: (2025)

BG-HGNN: Toward Efficient Learning for Complex Heterogeneous Graphs
von: Su, Junwei, et al.
Veröffentlicht: (2024)

Temporal-Aware Evaluation and Learning for Temporal Graph Neural Networks
von: Su, Junwei, et al.
Veröffentlicht: (2024)

When Do Multi-Agent Systems Outperform? Analysing the Learning Efficiency of Agentic Systems
von: Su, Junwei, et al.
Veröffentlicht: (2026)

Full-Graph vs. Mini-Batch Training: Comprehensive Analysis from a Batch Size and Fan-Out Size Perspective
von: Liu, Mengfan, et al.
Veröffentlicht: (2026)

Gradient Descent Robustly Learns the Intrinsic Dimension of Data in Training Convolutional Neural Networks
von: Zhang, Chenyang, et al.
Veröffentlicht: (2025)

Understanding the Generalization of Stochastic Gradient Adam in Learning Neural Networks
von: Tang, Xuan, et al.
Veröffentlicht: (2025)

Physics-Informed Neural PDE Solvers via Spatio-Temporal MeanFlow
von: Bai, Hanru, et al.
Veröffentlicht: (2026)

SBGD: Improving Graph Diffusion Generative Model via Stochastic Block Diffusion
von: Su, Junwei, et al.
Veröffentlicht: (2025)

Towards Theoretical Understanding of Transformer Test-Time Computing: Investigation on In-Context Linear Regression
von: Chen, Xingwu, et al.
Veröffentlicht: (2025)

STGAN: Spatial-temporal Graph Autoregression Network for Pavement Distress Deterioration Prediction
von: Tong, Shilin, et al.
Veröffentlicht: (2025)

What Can Transformer Learn with Varying Depth? Case Studies on Sequence Learning Tasks
von: Chen, Xingwu, et al.
Veröffentlicht: (2024)

Improving Group Robustness on Spurious Correlation Requires Preciser Group Inference
von: Han, Yujin, et al.
Veröffentlicht: (2024)

Harnessing Neural Unit Dynamics for Effective and Scalable Class-Incremental Learning
von: Li, Depeng, et al.
Veröffentlicht: (2024)

Reshaping Reasoning in LLMs: A Theoretical Analysis of RL Training Dynamics through Pattern Selection
von: Chen, Xingwu, et al.
Veröffentlicht: (2025)

Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks
von: Qi, QingGuo, et al.
Veröffentlicht: (2024)

Towards Scalable and Deep Graph Neural Networks via Noise Masking
von: Liang, Yuxuan, et al.
Veröffentlicht: (2024)

Structured Role-Aware Policy Optimization for Multimodal Reasoning
von: Jiang, Bingqing, et al.
Veröffentlicht: (2026)

On the Memorization of Consistency Distillation for Diffusion Models
von: Jiang, Bingqing, et al.
Veröffentlicht: (2026)

Ralts: Robust Aggregation for Enhancing Graph Neural Network Resilience on Bit-flip Errors
von: Zou, Wencheng, et al.
Veröffentlicht: (2025)

Rule Based Learning with Dynamic (Graph) Neural Networks
von: Seiffarth, Florian
Veröffentlicht: (2024)

Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach
von: Deng, Difan, et al.
Veröffentlicht: (2024)

Full-Spectrum Graph Neural Networks: Expressive and Scalable
von: Wang, Xiaohan, et al.
Veröffentlicht: (2026)

How Transformers Utilize Multi-Head Attention in In-Context Learning? A Case Study on Sparse Linear Regression
von: Chen, Xingwu, et al.
Veröffentlicht: (2024)

The Implicit Bias of Adam on Separable Data
von: Zhang, Chenyang, et al.
Veröffentlicht: (2024)

An In-depth Investigation of Sparse Rate Reduction in Transformer-like Models
von: Hu, Yunzhe, et al.
Veröffentlicht: (2024)

Hierarchical Koopman Diffusion: Fast Generation with Interpretable Diffusion Trajectory
von: Bai, Hanru, et al.
Veröffentlicht: (2025)

The Implicit Bias of Steepest Descent with Mini-batch Stochastic Gradient
von: Li, Jichu, et al.
Veröffentlicht: (2026)

Hyper-SET: Designing Transformers via Hyperspherical Energy Minimization
von: Hu, Yunzhe, et al.
Veröffentlicht: (2025)

Accurate and Scalable Graph Neural Networks via Message Invariance
von: Shi, Zhihao, et al.
Veröffentlicht: (2025)

Towards Compressive and Scalable Recurrent Memory
von: Song, Yunchong, et al.
Veröffentlicht: (2026)

A Human-Like Reasoning Framework for Multi-Phases Planning Task with Large Language Models
von: Xie, Chengxing, et al.
Veröffentlicht: (2024)

AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification
von: Lin, Xixun, et al.
Veröffentlicht: (2026)

NGDB-Zoo: Towards Efficient and Scalable Neural Graph Databases Training
von: Xie, Zhongwei, et al.
Veröffentlicht: (2026)