Buchumschlag

Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Srinivasan, Srinitish, CU, Omkumar
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Predict, Cluster, Refine: A Joint Embedding Predictive Self-Supervised Framework for Graph Representation Learning
von: Srinivasan, Srinitish, et al.
Veröffentlicht: (2025)

Colour and Brush Stroke Pattern Recognition in Abstract Art using Modified Deep Convolutional Generative Adversarial Networks
von: Srinivasan, Srinitish, et al.
Veröffentlicht: (2024)

Discovering the Representation Bottleneck of Graph Neural Networks
von: Wu, Fang, et al.
Veröffentlicht: (2022)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

Delayed Bottlenecking: Alleviating Forgetting in Pre-trained Graph Neural Networks
von: Zhao, Zhe, et al.
Veröffentlicht: (2024)

SAGMAN: Stability Analysis of Graph Neural Networks on the Manifolds
von: Cheng, Wuxinlin, et al.
Veröffentlicht: (2024)

Pre-training Graph Neural Networks on Molecules by Using Subgraph-Conditioned Graph Information Bottleneck
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2024)

mHC-GNN: Manifold-Constrained Hyper-Connections for Graph Neural Networks
von: Mishra, Subhankar
Veröffentlicht: (2026)

Deep Manifold Part 1: Anatomy of Neural Network Manifold
von: Ma, Max Y., et al.
Veröffentlicht: (2024)

The Interaction Bottleneck of Deep Neural Networks: Discovery, Proof, and Modulation
von: Deng, Huiqi, et al.
Veröffentlicht: (2025)

Language Models are Injective and Hence Invertible
von: Nikolaou, Giorgos, et al.
Veröffentlicht: (2025)

Dynamic Graph Information Bottleneck
von: Yuan, Haonan, et al.
Veröffentlicht: (2024)

Can we Constrain Concept Bottleneck Models to Learn Semantically Meaningful Input Features?
von: Furby, Jack, et al.
Veröffentlicht: (2024)

On the (Non) Injectivity of Piecewise Linear Janossy Pooling
von: Reshef, Ilai, et al.
Veröffentlicht: (2025)

Deep Manifold Part 2: Neural Network Mathematics
von: Ma, Max Y., et al.
Veröffentlicht: (2025)

Pre-training Graph Neural Networks on 2D and 3D Molecular Structures by using Multi-View Conditional Information Bottleneck
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2025)

L^2GC:Lorentzian Linear Graph Convolutional Networks for Node Classification
von: Liang, Qiuyu, et al.
Veröffentlicht: (2024)

Interpretable Prototype-based Graph Information Bottleneck
von: Seo, Sangwoo, et al.
Veröffentlicht: (2023)

Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning
von: Xiong, Jiafeng, et al.
Veröffentlicht: (2025)

ManifoldFormer: Geometric Deep Learning for Neural Dynamics on Riemannian Manifolds
von: Fu, Yihang, et al.
Veröffentlicht: (2025)

Learning Fair Graph Representations with Multi-view Information Bottleneck
von: Liu, Chuxun, et al.
Veröffentlicht: (2025)

GeoIB: Geometry-Aware Information Bottleneck via Statistical-Manifold Compression
von: Wang, Weiqi, et al.
Veröffentlicht: (2026)

GaGSL: Global-augmented Graph Structure Learning via Graph Information Bottleneck
von: Li, Shuangjie, et al.
Veröffentlicht: (2024)

Graphs Unveiled: Graph Neural Networks and Graph Generation
von: Kovács, László, et al.
Veröffentlicht: (2024)

Graph Neural Networks for Learning Equivariant Representations of Neural Networks
von: Kofinas, Miltiadis, et al.
Veröffentlicht: (2024)

Superposition in Graph Neural Networks
von: Pertl, Lukas, et al.
Veröffentlicht: (2025)

Transformers are Graph Neural Networks
von: Joshi, Chaitanya K.
Veröffentlicht: (2025)

Commute Graph Neural Networks
von: Zhuo, Wei, et al.
Veröffentlicht: (2024)

Cooperative Graph Neural Networks
von: Finkelshtein, Ben, et al.
Veröffentlicht: (2023)

Invariant Graph Learning Meets Information Bottleneck for Out-of-Distribution Generalization
von: Mao, Wenyu, et al.
Veröffentlicht: (2024)

Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer
von: Niu, Yue, et al.
Veröffentlicht: (2026)

GraphXAIN: Narratives to Explain Graph Neural Networks
von: Cedro, Mateusz, et al.
Veröffentlicht: (2024)

Graph Neural Networks Use Graphs When They Shouldn't
von: Bechler-Speicher, Maya, et al.
Veröffentlicht: (2023)

Generalizing Graph Neural Networks on Out-Of-Distribution Graphs
von: Fan, Shaohua, et al.
Veröffentlicht: (2021)

Explaining Graph Neural Networks for Node Similarity on Graphs
von: Daza, Daniel, et al.
Veröffentlicht: (2024)

GraphIP-Bench: How Hard Is It to Steal a Graph Neural Network, and Can We Stop It?
von: Zhao, Kaixiang, et al.
Veröffentlicht: (2026)

MENDR: Manifold Explainable Neural Data Representations
von: Chen, Matthew, et al.
Veröffentlicht: (2025)

Spectro-Riemannian Graph Neural Networks
von: Grover, Karish, et al.
Veröffentlicht: (2025)

Causal Graph Neural Networks for Healthcare
von: Mesinovic, Munib, et al.
Veröffentlicht: (2025)

An Active Diffusion Neural Network for Graphs
von: Jiang, Mengying
Veröffentlicht: (2025)