Buchumschlag

Revisiting the Necessity of Graph Learning and Common Graph Benchmarks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Katsman, Isay, Lou, Ethan, Gilbert, Anna
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

Shedding Light on Problems with Hyperbolic Graph Learning
von: Katsman, Isay, et al.
Veröffentlicht: (2024)

Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation
von: Liu, Meihan, et al.
Veröffentlicht: (2024)

Unifying Invariance and Spuriousity for Graph Out-of-Distribution via Probability of Necessity and Sufficiency
von: Chen, Xuexin, et al.
Veröffentlicht: (2024)

Revisiting Random Walks for Learning on Graphs
von: Kim, Jinwoo, et al.
Veröffentlicht: (2024)

On the Probability of Necessity and Sufficiency of Explaining Graph Neural Networks: A Lower Bound Optimization Approach
von: Cai, Ruichu, et al.
Veröffentlicht: (2022)

Revisiting Catastrophic Forgetting in Continual Knowledge Graph Embedding
von: Pons, Gerard, et al.
Veröffentlicht: (2026)

FedGraph: A Research Library and Benchmark for Federated Graph Learning
von: Yao, Yuhang, et al.
Veröffentlicht: (2024)

Personalized Alignment Revisited: The Necessity and Sufficiency of User Diversity
von: Kang, Enoch Hyunwook
Veröffentlicht: (2026)

Graph is a Natural Regularization: Revisiting Vector Quantization for Graph Representation Learning
von: Zhai, Zian, et al.
Veröffentlicht: (2025)

Unifying Invariant and Variant Features for Graph Out-of-Distribution via Probability of Necessity and Sufficiency
von: Chen, Xuexin, et al.
Veröffentlicht: (2024)

From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited
von: Wang, Zheng, et al.
Veröffentlicht: (2023)

Multi Task Inverse Reinforcement Learning for Common Sense Reward
von: Glazer, Neta, et al.
Veröffentlicht: (2024)

Revisiting Node Affinity Prediction in Temporal Graphs
von: Feldman, Or, et al.
Veröffentlicht: (2025)

Graph Alignment for Benchmarking Graph Neural Networks and Learning Positional Encodings
von: Lagesse, Adrien, et al.
Veröffentlicht: (2025)

ProG: A Graph Prompt Learning Benchmark
von: Zi, Chenyi, et al.
Veröffentlicht: (2024)

Bilevel Graph Structure Learning, Revisited: Inner-Channel Origins of the Reported Gain
von: Kim, Minkyoung, et al.
Veröffentlicht: (2026)

Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective
von: Xu, Yiming, et al.
Veröffentlicht: (2025)

COMRECGC: Global Graph Counterfactual Explainer through Common Recourse
von: Fournier, Gregoire, et al.
Veröffentlicht: (2025)

GraphFM: A Comprehensive Benchmark for Graph Foundation Model
von: Xu, Yuhao, et al.
Veröffentlicht: (2024)

NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search
von: Qin, Yijian, et al.
Veröffentlicht: (2022)

Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

GCondenser: Benchmarking Graph Condensation
von: Liu, Yilun, et al.
Veröffentlicht: (2024)

Perseus: Leveraging Common Data Patterns with Curriculum Learning for More Robust Graph Neural Networks
von: Xia, Kaiwen, et al.
Veröffentlicht: (2024)

NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics
von: Said, Anwar, et al.
Veröffentlicht: (2023)

A Benchmark on Directed Graph Representation Learning in Hardware Designs
von: Wang, Haoyu, et al.
Veröffentlicht: (2024)

T-GRAB: A Synthetic Diagnostic Benchmark for Learning on Temporal Graphs
von: Dizaji, Alireza, et al.
Veröffentlicht: (2025)

Revisiting Modularity Maximization for Graph Clustering: A Contrastive Learning Perspective
von: Liu, Yunfei, et al.
Veröffentlicht: (2024)

Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack
von: Liu, Xin, et al.
Veröffentlicht: (2024)

GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning
von: Liu, Jiajin, et al.
Veröffentlicht: (2026)

Revisiting Graph Autoencoders as Implicit Contrastive Learners
von: Li, Jintang, et al.
Veröffentlicht: (2024)

Learning Graph Foundation Models on Riemannian Graph-of-Graphs
von: Liu, Haokun, et al.
Veröffentlicht: (2026)

On the Necessity of Learnable Sheaf Laplacians
von: Caralt, Ferran Hernandez, et al.
Veröffentlicht: (2026)

Revisiting Graph Homophily Measures
von: Mironov, Mikhail, et al.
Veröffentlicht: (2024)

On the Necessity of Metalearning: Learning Suitable Parameterizations for Learning Processes
von: Hamidi, Massinissa, et al.
Veröffentlicht: (2023)

Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks
von: Ma, Qian, et al.
Veröffentlicht: (2024)

PrimeKG-CL: A Continual Graph Learning Benchmark on Evolving Biomedical Knowledge Graphs
von: Radwan, Yousef A., et al.
Veröffentlicht: (2026)

Revisiting Disentanglement in Downstream Tasks: A Study on Its Necessity for Abstract Visual Reasoning
von: Nai, Ruiqian, et al.
Veröffentlicht: (2024)

Revisiting Gradient Normalization and Clipping for Nonconvex SGD under Heavy-Tailed Noise: Necessity, Sufficiency, and Acceleration
von: Sun, Tao, et al.
Veröffentlicht: (2024)

Lifelong Graph Learning for Graph Summarization
von: Frank, Jonatan, et al.
Veröffentlicht: (2024)

High-order Graph Neural Networks with Common Neighbor Awareness for Link Prediction
von: Wang, Ling, et al.
Veröffentlicht: (2025)