:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roth, Andreas, Liebig, Thomas
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2505.11346
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks
von: Roth, Andreas, et al.
Veröffentlicht: (2023)

Preventing Representational Rank Collapse in MPNNs by Splitting the Computational Graph
von: Roth, Andreas, et al.
Veröffentlicht: (2024)

Towards Understanding and Avoiding Limitations of Convolutions on Graphs
von: Roth, Andreas
Veröffentlicht: (2026)

AALF: Almost Always Linear Forecasting
von: Jakobs, Matthias, et al.
Veröffentlicht: (2024)

Using Petri Nets as an Integrated Constraint Mechanism for Reinforcement Learning Tasks
von: Sachweh, Timon, et al.
Veröffentlicht: (2024)

What Can We Learn from State Space Models for Machine Learning on Graphs?
von: Huang, Yinan, et al.
Veröffentlicht: (2024)

ICE-T: A Multi-Faceted Concept for Teaching Machine Learning
von: Krone, Hendrik, et al.
Veröffentlicht: (2024)

On What We Can Learn from Low-Resolution Data
von: Frehr, Theresa Dahl, et al.
Veröffentlicht: (2026)

Enhancing Safety for Autonomous Agents in Partly Concealed Urban Traffic Environments Through Representation-Based Shielding
von: Haritz, Pierre, et al.
Veröffentlicht: (2024)

Can LLMs Separate Instructions From Data? And What Do We Even Mean By That?
von: Zverev, Egor, et al.
Veröffentlicht: (2024)

GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection
von: Lu, Qincheng, et al.
Veröffentlicht: (2024)

What is the Relationship between Tensor Factorizations and Circuits (and How Can We Exploit it)?
von: Loconte, Lorenzo, et al.
Veröffentlicht: (2024)

What Can We Learn from Inter-Annotator Variability in Skin Lesion Segmentation?
von: Abhishek, Kumar, et al.
Veröffentlicht: (2025)

Convolutional Learning on Directed Acyclic Graphs
von: Rey, Samuel, et al.
Veröffentlicht: (2024)

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

Simplifying the Theory on Over-Smoothing
von: Roth, Andreas
Veröffentlicht: (2024)

Do We Really Need Graph Convolution During Training? Light Post-Training Graph-ODE for Efficient Recommendation
von: Zhang, Weizhi, et al.
Veröffentlicht: (2024)

Counterfactual Reasoning with Knowledge Graph Embeddings
von: Zellinger, Lena, et al.
Veröffentlicht: (2024)

From Unstructured Data to In-Context Learning: Exploring What Tasks Can Be Learned and When
von: Wibisono, Kevin Christian, et al.
Veröffentlicht: (2024)

Deep Learning for BioImaging: What Are We Learning?
von: Svatko, Ivan, et al.
Veröffentlicht: (2026)

Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks
von: Han, Minglian
Veröffentlicht: (2025)

Feedback-to-Rubrics: Can We Learn Expert Criteria from Inline Comments?
von: Yoshida, Kotaro, et al.
Veröffentlicht: (2026)

Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Tensor Graph Convolutional Network for Dynamic Graph Representation Learning
von: Wang, Ling, et al.
Veröffentlicht: (2024)

Learning to Approximate Adaptive Kernel Convolution on Graphs
von: Sim, Jaeyoon, et al.
Veröffentlicht: (2024)

Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning?
von: Ju, Peizhong, 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)

Graph Adversarial Diffusion Convolution
von: Liu, Songtao, et al.
Veröffentlicht: (2024)

Scalable Graph Compressed Convolutions
von: Sun, Junshu, et al.
Veröffentlicht: (2024)

Review of blockchain application with Graph Neural Networks, Graph Convolutional Networks and Convolutional Neural Networks
von: Ancelotti, Amy, et al.
Veröffentlicht: (2024)

Can We Really Learn One Representation to Optimize All Rewards?
von: Zheng, Chongyi, et al.
Veröffentlicht: (2026)

Generalized Learning of Coefficients in Spectral Graph Convolutional Networks
von: Coşkun, Mustafa, et al.
Veröffentlicht: (2024)

Geometric Evolution Graph Convolutional Networks: Enhancing Graph Representation Learning via Ricci Flow
von: Ma, Jicheng, et al.
Veröffentlicht: (2026)

What Can Grokking Teach Us About Learning Under Nonstationarity?
von: Lyle, Clare, et al.
Veröffentlicht: (2025)

Lift What You Can: Green Online Learning with Heterogeneous Ensembles
von: Köbschall, Kirsten, et al.
Veröffentlicht: (2025)

The Pitfalls of Benchmarking in Algorithm Selection: What We Are Getting Wrong
von: Petelin, Gašper, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Data-Driven Machine Learning Models in Nuclear Engineering Applications: Where We Are and What Do We Need?
von: Wu, Xu, et al.
Veröffentlicht: (2025)

Variational Graph Convolutional Neural Networks
von: Oleksiienko, Illia, et al.
Veröffentlicht: (2025)

Residual Hyperbolic Graph Convolution Networks
von: Xue, Yangkai, et al.
Veröffentlicht: (2024)

Disentangling Polysemantic Channels in Convolutional Neural Networks
von: Hesse, Robin, et al.
Veröffentlicht: (2025)