Buchumschlag

Diffusing to the Top: Boost Graph Neural Networks with Minimal Hyperparameter Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lin, Lequan, Shi, Dai, Han, Andi, Wang, Zhiyong, Gao, Junbin
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

Unleash Graph Neural Networks from Heavy Tuning
von: Lin, Lequan, et al.
Veröffentlicht: (2024)

When Graph Neural Networks Meet Dynamic Mode Decomposition
von: Shi, Dai, et al.
Veröffentlicht: (2024)

Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks
von: Shi, Dai, et al.
Veröffentlicht: (2024)

SpecSTG: A Fast Spectral Diffusion Framework for Probabilistic Spatio-Temporal Traffic Forecasting
von: Lin, Lequan, et al.
Veröffentlicht: (2024)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

LOFT: Low-Rank Orthogonal Fine-Tuning via Task-Aware Support Selection
von: Zhao, Lanxin, et al.
Veröffentlicht: (2026)

S$^3$GNN: Efficient Global Mixing and Local Message Passing for Long-Range Graph Learning
von: Shi, Dai, et al.
Veröffentlicht: (2026)

ATOM: A Pretrained Neural Operator for Multitask Molecular Dynamics
von: Thompson, Luke, et al.
Veröffentlicht: (2025)

ACT as Human: Multimodal Large Language Model Data Annotation with Critical Thinking
von: Lin, Lequan, et al.
Veröffentlicht: (2025)

Graph Pseudotime Analysis and Neural Stochastic Differential Equations for Analyzing Retinal Degeneration Dynamics and Beyond
von: Shi, Dai, et al.
Veröffentlicht: (2025)

Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution
von: Yang, Mengxi, et al.
Veröffentlicht: (2022)

Bayesian Optimization for Hyperparameters Tuning in Neural Networks
von: Onorato, Gabriele
Veröffentlicht: (2024)

DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations
von: Wang, Jinlu, et al.
Veröffentlicht: (2024)

Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs
von: Yang, Yachao, et al.
Veröffentlicht: (2024)

On the Price of Privacy for Language Identification and Generation
von: Li, Xiaoyu, et al.
Veröffentlicht: (2026)

Contrastive Identification and Generation in the Limit
von: Li, Xiaoyu, et al.
Veröffentlicht: (2026)

WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling
von: Li, Xiaoyang, et al.
Veröffentlicht: (2025)

A Tensor Residual Circuit Neural Network Factorized with Matrix Product Operation
von: Chen, Andi
Veröffentlicht: (2025)

Selecting Hyperparameters for Tree-Boosting
von: Koster, Floris Jan, et al.
Veröffentlicht: (2026)

A Riemannian Approach to Ground Metric Learning for Optimal Transport
von: Jawanpuria, Pratik, et al.
Veröffentlicht: (2024)

Generative Bayesian Hyperparameter Tuning
von: Lopes, Hedibert, et al.
Veröffentlicht: (2025)

On Optimizing Hyperparameters for Quantum Neural Networks
von: Herbst, Sabrina, et al.
Veröffentlicht: (2024)

Hyperparameter Transfer Laws for Non-Recurrent Multi-Path Neural Networks
von: Wu, Shenxi, et al.
Veröffentlicht: (2026)

Relabeling Minimal Training Subset to Flip a Prediction
von: Yang, Jinghan, et al.
Veröffentlicht: (2023)

The Sensitivity of Variational Bayesian Neural Network Performance to Hyperparameters
von: Koermer, Scott, et al.
Veröffentlicht: (2025)

DreamerV3 for Traffic Signal Control: Hyperparameter Tuning and Performance
von: Li, Qiang, et al.
Veröffentlicht: (2025)

Tuning Algorithmic and Architectural Hyperparameters in Graph-Based Semi-Supervised Learning with Provable Guarantees
von: Du, Ally Yalei, et al.
Veröffentlicht: (2025)

A Comparative Study of Hyperparameter Tuning Methods
von: Dasgupta, Subhasis, et al.
Veröffentlicht: (2024)

Hyperparameter Tuning Through Pessimistic Bilevel Optimization
von: Ustun, Meltem Apaydin, et al.
Veröffentlicht: (2024)

Using Random Noise Equivariantly to Boost Graph Neural Networks Universally
von: Wang, Xiyuan, et al.
Veröffentlicht: (2025)

From Noise to Laws: Regularized Time-Series Forecasting via Denoised Dynamic Graphs
von: Ma, Hongwei, et al.
Veröffentlicht: (2025)

Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural Network
von: Liu, Nian, et al.
Veröffentlicht: (2023)

Universal Prompt Tuning for Graph Neural Networks
von: Fang, Taoran, et al.
Veröffentlicht: (2022)

Revisiting Hyperparameter Tuning with Differential Privacy
von: Ding, Youlong, et al.
Veröffentlicht: (2022)

PLoRA: Efficient LoRA Hyperparameter Tuning for Large Models
von: Yan, Minghao, et al.
Veröffentlicht: (2025)

Stealing Training Graphs from Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
von: Madhusudhanan, Kiran, et al.
Veröffentlicht: (2024)

Using Sequential Statistical Tests for Efficient Hyperparameter Tuning
von: Buczak, Philip, et al.
Veröffentlicht: (2021)

Meta-Learning Hyperparameters for Parameter Efficient Fine-Tuning
von: Tian, Zichen, et al.
Veröffentlicht: (2026)