:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Garg, Vipul, Thakre, Ishita, Ranu, Sayan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2503.03384
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

GnnXemplar: Exemplars to Explanations -- Natural Language Rules for Global GNN Interpretability
von: Armgaan, Burouj, et al.
Veröffentlicht: (2025)

GNNX-BENCH: Unravelling the Utility of Perturbation-based GNN Explainers through In-depth Benchmarking
von: Kosan, Mert, et al.
Veröffentlicht: (2023)

Position: Graph Condensation Needs a Reset -- Move Beyond Full-dataset Training and Model-Dependence
von: Gupta, Mridul, et al.
Veröffentlicht: (2026)

Mirage: Model-Agnostic Graph Distillation for Graph Classification
von: Gupta, Mridul, et al.
Veröffentlicht: (2023)

EUGENE: Explainable Structure-aware Graph Edit Distance Estimation with Generalized Edit Costs
von: Bommakanti, Aditya, et al.
Veröffentlicht: (2024)

Enhancing the Inductive Biases of Graph Neural ODE for Modeling Dynamical Systems
von: Bishnoi, Suresh, et al.
Veröffentlicht: (2022)

GRAIL: Graph Edit Distance and Node Alignment Using LLM-Generated Code
von: Verma, Samidha, et al.
Veröffentlicht: (2025)

NeuroCUT: A Neural Approach for Robust Graph Partitioning
von: Shah, Rishi, et al.
Veröffentlicht: (2023)

Bonsai: Gradient-free Graph Condensation for Node Classification
von: Gupta, Mridul, et al.
Veröffentlicht: (2024)

GRAPHGINI: Fostering Individual and Group Fairness in Graph Neural Networks
von: Sirohi, Anuj Kumar, et al.
Veröffentlicht: (2024)

Revealing Interpretable Failure Modes of VLMs
von: Chaudhary, Isha, et al.
Veröffentlicht: (2026)

MassiveGNN: Efficient Training via Prefetching for Massively Connected Distributed Graphs
von: Sarkar, Aishwarya, et al.
Veröffentlicht: (2024)

Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging
von: Tang, Anke, et al.
Veröffentlicht: (2025)

Panorama: Fast-Track Nearest Neighbors
von: Ramani, Vansh, et al.
Veröffentlicht: (2025)

MergeMix: Optimizing Mid-Training Data Mixtures via Learnable Model Merging
von: Wang, Jiapeng, et al.
Veröffentlicht: (2026)

Rudder: Steering Prefetching in Distributed GNN Training using LLM Agents
von: Sarkar, Aishwarya, et al.
Veröffentlicht: (2026)

DiskGNN: Bridging I/O Efficiency and Model Accuracy for Out-of-Core GNN Training
von: Liu, Renjie, et al.
Veröffentlicht: (2024)

FreshGNN: Reducing Memory Access via Stable Historical Embeddings for Graph Neural Network Training
von: Huang, Kezhao, et al.
Veröffentlicht: (2023)

Improved Sample Complexity For Diffusion Model Training Without Empirical Risk Minimizer Access
von: Gaur, Mudit, et al.
Veröffentlicht: (2025)

Extra-Merge: Tracing the Rank-1 Subspace of Model Merging in Language Model Pre-Training
von: Zhou, Wenjie, et al.
Veröffentlicht: (2026)

Training-free Heterogeneous Model Merging
von: Xu, Zhengqi, et al.
Veröffentlicht: (2024)

Cyborg Data: Merging Human with AI Generated Training Data
von: North, Kai, et al.
Veröffentlicht: (2025)

Adaptive Graph Coarsening for Efficient GNN Training
von: Olshevskyi, Rostyslav, et al.
Veröffentlicht: (2025)

Optimization of GNN Training Through Half-precision
von: Tarafder, Arnab Kanti, et al.
Veröffentlicht: (2024)

CAT Merging: A Training-Free Approach for Resolving Conflicts in Model Merging
von: Sun, Wenju, et al.
Veröffentlicht: (2025)

LSM-GNN: Large-scale Storage-based Multi-GPU GNN Training by Optimizing Data Transfer Scheme
von: Park, Jeongmin Brian, et al.
Veröffentlicht: (2024)

Scalable Data Ablation Approximations for Language Models through Modular Training and Merging
von: Na, Clara, et al.
Veröffentlicht: (2024)

TAGMol: Target-Aware Gradient-guided Molecule Generation
von: Dorna, Vineeth, et al.
Veröffentlicht: (2024)

Communication-free Sampling and 4D Hybrid Parallelism for Scalable Mini-batch GNN Training
von: Wei, Cunyang, et al.
Veröffentlicht: (2026)

GNNBleed: Inference Attacks to Unveil Private Edges in Graphs with Realistic Access to GNN Models
von: Song, Zeyu, et al.
Veröffentlicht: (2023)

Comprehensive Evaluation of GNN Training Systems: A Data Management Perspective
von: Yuan, Hao, et al.
Veröffentlicht: (2023)

Learning Without Training
von: O'Dowd, Ryan
Veröffentlicht: (2026)

Merging Smarter, Generalizing Better: Enhancing Model Merging on OOD Data
von: Zhang, Bingjie, et al.
Veröffentlicht: (2025)

Represented Is Not Computed: A Causal Test of Candidate Algorithmic Intermediates in a Transformer
von: Darade, Ishita, et al.
Veröffentlicht: (2026)

Disrupting Model Merging: A Parameter-Level Defense Without Sacrificing Accuracy
von: Junhao, Wei, et al.
Veröffentlicht: (2025)

Provably Convergent Subgraph-wise Sampling for Fast GNN Training
von: Wang, Jie, et al.
Veröffentlicht: (2023)

GRID: Protecting Training Graph from Link Stealing Attacks on GNN Models
von: Lou, Jiadong, et al.
Veröffentlicht: (2025)

Evaluating Universal Machine Learning Force Fields Against Experimental Measurements
von: Mannan, Sajid, et al.
Veröffentlicht: (2025)

Model Merging via Data-Free Covariance Estimation
von: Hameed, Marawan Gamal Abdel, et al.
Veröffentlicht: (2026)

Fast and Effective GNN Training through Sequences of Random Path Graphs
von: Bonchi, Francesco, et al.
Veröffentlicht: (2023)