Buchumschlag

EDN: A Novel Edge-Dependent Noise Model for Graph Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kumar, Pintu, Hemachandra, Nandyala
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DeGLIF for Label Noise Robust Node Classification using GNNs
von: Kumar, Pintu, et al.
Veröffentlicht: (2025)

Regret Lower Bounds for Decentralized Multi-Agent Stochastic Shortest Path Problems
von: Chavan, Utkarsh U., et al.
Veröffentlicht: (2025)

Optimal Control with $L^{\infty}$ cost: incorporating peak minimization
von: Dhiman, Madhu, et al.
Veröffentlicht: (2024)

Training Robust Graph Neural Networks by Modeling Noise Dependencies
von: In, Yeonjun, et al.
Veröffentlicht: (2025)

Delving into Instance-Dependent Label Noise in Graph Data: A Comprehensive Study and Benchmark
von: Kim, Suyeon, et al.
Veröffentlicht: (2025)

Data-Dependent Generalization Bounds for Parameterized Quantum Models Under Noise
von: Khanal, Bikram, et al.
Veröffentlicht: (2024)

DEGNN: Dual Experts Graph Neural Network Handling Both Edge and Node Feature Noise
von: Hasegawa, Tai, et al.
Veröffentlicht: (2024)

Investigating the Generalizability of ECG Noise Detection Across Diverse Data Sources and Noise Types
von: Kalpande, Sharmad, et al.
Veröffentlicht: (2025)

A Novel Data-Dependent Learning Paradigm for Large Hypothesis Classes
von: Pour, Alireza F., et al.
Veröffentlicht: (2025)

BoLT: A Benchmark to Democratize Black-box Optimization Research for Expensive LLM Tasks
von: Chew, Ruth Wan Theng, et al.
Veröffentlicht: (2026)

A Novel Dependency Framework for Enhancing Discourse Data Analysis
von: Sun, Kun, et al.
Veröffentlicht: (2024)

Inaccurate Label Distribution Learning with Dependency Noise
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2024)

Edge Probability Graph Models Beyond Edge Independency: Concepts, Analyses, and Algorithms
von: Bu, Fanchen, et al.
Veröffentlicht: (2024)

Geometric Generative Modeling with Noise-Conditioned Graph Networks
von: Pao-Huang, Peter, et al.
Veröffentlicht: (2025)

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

The Chicken and Egg Dilemma: Co-optimizing Data and Model Configurations for LLMs
von: Chen, Zhiliang, et al.
Veröffentlicht: (2026)

The Marked Edge Walk: A Novel MCMC Algorithm for Sampling of Graph Partitions
von: McWhorter, Atticus, et al.
Veröffentlicht: (2025)

Is Noise Conditioning Necessary? A Unified Theory of Unconditional Graph Diffusion Models
von: Li, Jipeng, et al.
Veröffentlicht: (2025)

NoiseHGNN: Synthesized Similarity Graph-Based Neural Network For Noised Heterogeneous Graph Representation Learning
von: Zhang, Xiong, et al.
Veröffentlicht: (2024)

Learn Beneficial Noise as Graph Augmentation
von: Huang, Siqi, et al.
Veröffentlicht: (2025)

Sharper Risk Bound for Multi-Task Learning with Multi-Graph Dependent Data
von: Shao, Xiao, et al.
Veröffentlicht: (2025)

An Edge-Aware Graph Autoencoder Trained on Scale-Imbalanced Data for Traveling Salesman Problems
von: Liu, Shiqing, et al.
Veröffentlicht: (2023)

GSA-Forecaster: Forecasting Graph-Based Time-Dependent Data with Graph Sequence Attention
von: Li, Yang, et al.
Veröffentlicht: (2021)

Graph Topic Modeling for Documents with Spatial or Covariate Dependencies
von: Jung, Yeo Jin, et al.
Veröffentlicht: (2024)

Edge-Based Graph Component Pooling
von: Snelleman, T., et al.
Veröffentlicht: (2024)

Edge Contrastive Learning: An Augmentation-Free Graph Contrastive Learning Model
von: Li, Yujun, et al.
Veröffentlicht: (2024)

Mitigating Instance-Dependent Label Noise: Integrating Self-Supervised Pretraining with Pseudo-Label Refinement
von: Bala, Gouranga, et al.
Veröffentlicht: (2024)

Leveraging Data Symmetries to Select an Optimal Subset of Training Data under Label Noise
von: Shubham, Kumar, et al.
Veröffentlicht: (2026)

GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network
von: Xiao, Wenjing, et al.
Veröffentlicht: (2025)

A Two-Stage Data Selection Framework for Data-Efficient Model Training on Edge Devices
von: Gong, Chen, et al.
Veröffentlicht: (2025)

Learning Conditional Independence Differential Graphs From Time-Dependent Data
von: Tugnait, Jitendra K
Veröffentlicht: (2025)

Not All Features Deserve Attention: Graph-Guided Dependency Learning for Tabular Data Generation with Language Models
von: Zhang, Zheyu, et al.
Veröffentlicht: (2025)

EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs
von: Priyam, Utkarsh, et al.
Veröffentlicht: (2024)

Algorithm- and Data-Dependent Generalization Bounds for Diffusion Models
von: Dupuis, Benjamin, et al.
Veröffentlicht: (2025)

Orchid: Flexible and Data-Dependent Convolution for Sequence Modeling
von: Karami, Mahdi, et al.
Veröffentlicht: (2024)

Evaluating Feature Dependent Noise in Preference-based Reinforcement Learning
von: Li, Yuxuan, et al.
Veröffentlicht: (2026)

Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data
von: Sahu, Mukesh Kumar, et al.
Veröffentlicht: (2025)

Graph Edge Representation via Tensor Product Graph Convolutional Representation
von: Jiang, Bo, et al.
Veröffentlicht: (2024)

Dynamic Graph Neural Networks for Physiological Based Pharmacokinetic Modeling: A Novel Data Driven Approach to Drug Concentration Prediction
von: Liu, Su, et al.
Veröffentlicht: (2025)

Rectified Noise: A Generative Model Using Positive-incentive Noise
von: Gu, Zhenyu, et al.
Veröffentlicht: (2025)