Buchumschlag

Towards Dynamic Graph Neural Networks with Provably High-Order Expressive Power

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Zhe, Zhao, Tianjian, Zhang, Zhen, Chen, Jiawei, Zhou, Sheng, Feng, Yan, Chen, Chun, Wang, Can
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

Dynamic Graph Transformer with Correlated Spatial-Temporal Positional Encoding
von: Wang, Zhe, et al.
Veröffentlicht: (2024)

Online Adversarial Knowledge Distillation for Graph Neural Networks
von: Wang, Can, et al.
Veröffentlicht: (2021)

On the Expressive Power of Subgraph Graph Neural Networks for Graphs with Bounded Cycles
von: Chen, Ziang, et al.
Veröffentlicht: (2025)

Towards High-Order Mean Flow Generative Models: Feasibility, Expressivity, and Provably Efficient Criteria
von: Cao, Yang, et al.
Veröffentlicht: (2025)

Expressive Power of Graph Neural Networks for (Mixed-Integer) Quadratic Programs
von: Chen, Ziang, et al.
Veröffentlicht: (2024)

Motif-driven Subgraph Structure Learning for Graph Classification
von: Zhou, Zhiyao, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Graph Structure Learning
von: Han, Shen, et al.
Veröffentlicht: (2025)

On the Expressive Power of Spectral Invariant Graph Neural Networks
von: Zhang, Bohang, et al.
Veröffentlicht: (2024)

The Expressive Power of Graph Neural Networks: A Survey
von: Zhang, Bingxu, et al.
Veröffentlicht: (2023)

On the Expressive Power of Graph Neural Networks
von: Nalwade, Ashwin, et al.
Veröffentlicht: (2024)

Towards Bridging Generalization and Expressivity of Graph Neural Networks
von: Li, Shouheng, et al.
Veröffentlicht: (2024)

On the Theoretical Expressive Power and the Design Space of Higher-Order Graph Transformers
von: Zhou, Cai, et al.
Veröffentlicht: (2024)

On the Expressive Power of Geometric Graph Neural Networks
von: Joshi, Chaitanya K., et al.
Veröffentlicht: (2023)

Weisfeiler-Lehman goes Dynamic: An Analysis of the Expressive Power of Graph Neural Networks for Attributed and Dynamic Graphs
von: Beddar-Wiesing, Silvia, et al.
Veröffentlicht: (2022)

Provably Powerful Graph Neural Networks for Directed Multigraphs
von: Egressy, Béni, et al.
Veröffentlicht: (2023)

Optimizing Supply Chain Networks with the Power of Graph Neural Networks
von: Chen, Chi-Sheng, et al.
Veröffentlicht: (2025)

Homomorphism Expressivity of Spectral Invariant Graph Neural Networks
von: Gai, Jingchu, et al.
Veröffentlicht: (2025)

Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting
von: Jin, Ming, et al.
Veröffentlicht: (2023)

Confidence-aware Self-Semantic Distillation on Knowledge Graph Embedding
von: Liu, Yichen, et al.
Veröffentlicht: (2022)

Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks
von: Guo, Zhishuai, et al.
Veröffentlicht: (2026)

Advancing Loss Functions in Recommender Systems: A Comparative Study with a Rényi Divergence-Based Solution
von: Zhang, Shengjia, et al.
Veröffentlicht: (2025)

Towards Stable, Globally Expressive Graph Representations with Laplacian Eigenvectors
von: Zhou, Junru, et al.
Veröffentlicht: (2024)

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

STDEN: Towards Physics-Guided Neural Networks for Traffic Flow Prediction
von: Ji, Jiahao, et al.
Veröffentlicht: (2022)

Provable Fairness Repair for Deep Neural Networks
von: Ma, Jianan, et al.
Veröffentlicht: (2026)

PSL: Rethinking and Improving Softmax Loss from Pairwise Perspective for Recommendation
von: Yang, Weiqin, et al.
Veröffentlicht: (2024)

Improving Expressive Power of Spectral Graph Neural Networks with Eigenvalue Correction
von: Lu, Kangkang, et al.
Veröffentlicht: (2024)

Weisfeiler Lehman Test on Combinatorial Complexes: Generalized Expressive Power of Topological Neural Networks
von: Chen, Jiawen, et al.
Veröffentlicht: (2026)

A Theoretical Study of Neural Network Expressive Power via Manifold Topology
von: Yao, Jiachen, et al.
Veröffentlicht: (2024)

Expressive Power of Floating-Point Neural Networks with Arbitrary Reduction Orders and Inexact Activation Implementations
von: Park, Yeachan, et al.
Veröffentlicht: (2026)

Rethinking the Expressive Power of GNNs via Graph Biconnectivity
von: Zhang, Bohang, et al.
Veröffentlicht: (2023)

LGAN: An Efficient High-Order Graph Neural Network via the Line Graph Aggregation
von: Du, Lin, et al.
Veröffentlicht: (2025)

Knowledge Translation: A New Pathway for Model Compression
von: Sun, Wujie, et al.
Veröffentlicht: (2024)

On Expressivity of Height in Neural Networks
von: Fan, Feng-Lei, et al.
Veröffentlicht: (2023)

Distance-Restricted Folklore Weisfeiler-Leman GNNs with Provable Cycle Counting Power
von: Zhou, Junru, et al.
Veröffentlicht: (2023)

Expressivity of Graph Neural Networks Through the Lens of Adversarial Robustness
von: Campi, Francesco, et al.
Veröffentlicht: (2023)

Will More Expressive Graph Neural Networks do Better on Generative Tasks?
von: Zou, Xiandong, et al.
Veröffentlicht: (2023)

Generalization, Expressivity, and Universality of Graph Neural Networks on Attributed Graphs
von: Rauchwerger, Levi, et al.
Veröffentlicht: (2024)

On the Expressive Power of Transformers for Maxout Networks and Continuous Piecewise Linear Functions
von: Gu, Linyan, et al.
Veröffentlicht: (2026)

Towards Comprehensive and Prerequisite-Free Explainer for Graph Neural Networks
von: Zhang, Han, et al.
Veröffentlicht: (2025)