Copertina

Graph Positional Autoencoders as Self-supervised Learners

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Liu, Yang, Bo, Deyu, Cao, Wenxuan, Fang, Yuan, Li, Yawen, Shi, Chuan
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Graph Distillation with Eigenbasis Matching
di: Liu, Yang, et al.
Pubblicazione: (2023)

SpeGCL: Self-supervised Graph Spectrum Contrastive Learning without Positive Samples
di: Shou, Yuntao, et al.
Pubblicazione: (2024)

Self-supervised Spatial-Temporal Learner for Precipitation Nowcasting
di: Li, Haotian, et al.
Pubblicazione: (2024)

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

Discovering Influential Factors in Variational Autoencoders
di: Liu, Shiqi, et al.
Pubblicazione: (2018)

GNNVerifier: Graph-based Verifier for LLM Task Planning
di: Hao, Yu, et al.
Pubblicazione: (2026)

Rethinking the Graph Polynomial Filter via Positive and Negative Coupling Analysis
di: Wen, Haodong, et al.
Pubblicazione: (2024)

Mixed Autoencoder for Self-supervised Visual Representation Learning
di: Chen, Kai, et al.
Pubblicazione: (2023)

Data-centric Graph Learning: A Survey
di: Guo, Yuxin, et al.
Pubblicazione: (2023)

Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining
di: Wu, Di, et al.
Pubblicazione: (2022)

Masked Autoencoders are PDE Learners
di: Zhou, Anthony, et al.
Pubblicazione: (2024)

Full-Spectrum Graph Neural Networks: Expressive and Scalable
di: Wang, Xiaohan, et al.
Pubblicazione: (2026)

Rotary Masked Autoencoders are Versatile Learners
di: Zivanovic, Uros, et al.
Pubblicazione: (2025)

SwitchTab: Switched Autoencoders Are Effective Tabular Learners
di: Wu, Jing, et al.
Pubblicazione: (2024)

Graph-GRPO: Training Graph Flow Models with Reinforcement Learning
di: Zhu, Baoheng, et al.
Pubblicazione: (2026)

Masked Autoencoders are Efficient Continual Federated Learners
di: Paul, Subarnaduti, et al.
Pubblicazione: (2023)

Data-centric Federated Graph Learning with Large Language Models
di: Yan, Bo, et al.
Pubblicazione: (2025)

A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders
di: Ren, Pengju, et al.
Pubblicazione: (2025)

Contrastive General Graph Matching with Adaptive Augmentation Sampling
di: Bo, Jianyuan, et al.
Pubblicazione: (2024)

Exploring the Potential of Large Language Models for Heterophilic Graphs
di: Wu, Yuxia, et al.
Pubblicazione: (2024)

Pairwise Alignment Improves Graph Domain Adaptation
di: Liu, Shikun, et al.
Pubblicazione: (2024)

Federated Graph Condensation with Information Bottleneck Principles
di: Yan, Bo, et al.
Pubblicazione: (2024)

GraphLearner: Graph Node Clustering with Fully Learnable Augmentation
di: Yang, Xihong, et al.
Pubblicazione: (2022)

Self-supervised Adversarial Purification for Graph Neural Networks
di: Lee, Woohyun, et al.
Pubblicazione: (2026)

Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks
di: Wang, Chaojie, et al.
Pubblicazione: (2024)

Positive region preserved random sampling: an efficient feature selection method for massive data
di: Bai, Hexiang, et al.
Pubblicazione: (2025)

CORE: Contrastive Masked Feature Reconstruction on Graphs
di: Bo, Jianyuan, et al.
Pubblicazione: (2025)

Graph Foundation Models: Concepts, Opportunities and Challenges
di: Liu, Jiawei, et al.
Pubblicazione: (2023)

Self-supervised Representation Learning on Electronic Health Records with Graph Kernel Infomax
di: Yao, Hao-Ren, et al.
Pubblicazione: (2022)

Multi-level Self-supervised Pretraining on Compositional Hierarchical Graph for Molecular Property Prediction
di: Liu, Xiayu, et al.
Pubblicazione: (2026)

GraphSculptor: Sculpting Pre-training Coreset for Graph Self-supervised Learning
di: Liu, Chuang, et al.
Pubblicazione: (2026)

Joint-stochastic-approximation Autoencoders with Application to Semi-supervised Learning
di: He, Wenbo, et al.
Pubblicazione: (2025)

Nonparametric Teaching for Graph Property Learners
di: Zhang, Chen, et al.
Pubblicazione: (2025)

Latent Particle World Models: Self-supervised Object-centric Stochastic Dynamics Modeling
di: Daniel, Tal, et al.
Pubblicazione: (2026)

SupMAE: Supervised Masked Autoencoders Are Efficient Vision Learners
di: Liang, Feng, et al.
Pubblicazione: (2022)

Robust Semi-supervised Learning by Wisely Leveraging Open-set Data
di: Yang, Yang, et al.
Pubblicazione: (2024)

Graph Foundation Models for Recommendation: A Comprehensive Survey
di: Wu, Bin, et al.
Pubblicazione: (2025)

Graph Tokenization for Bridging Graphs and Transformers
di: Guo, Zeyuan, et al.
Pubblicazione: (2026)

Data-centric Prompt Tuning for Dynamic Graphs
di: Peng, Yufei, et al.
Pubblicazione: (2026)

Disentangled Graph Prompting for Out-Of-Distribution Detection
di: Yang, Cheng, et al.
Pubblicazione: (2026)