Buchumschlag

Vine Copulas as Differentiable Computational Graphs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cheng, Tuoyuan, Vatter, Thibault, Nagler, Thomas, Chen, Kan
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

Throwing Vines at the Wall: Structure Learning via Random Search
von: Vatter, Thibault, et al.
Veröffentlicht: (2025)

Vision Paper: Designing Graph Neural Networks in Compliance with the European Artificial Intelligence Act
von: Hoffmann, Barbara, et al.
Veröffentlicht: (2024)

Choosing a Classical Planner with Graph Neural Networks
von: Vatter, Jana, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Prior-Data Fitted Networks using Martingale Posteriors
von: Nagler, Thomas, et al.
Veröffentlicht: (2025)

Stepwise Variational Inference with Vine Copulas
von: Griesbauer, Elisabeth, et al.
Veröffentlicht: (2026)

Temporal Gaussian Copula For Clinical Multivariate Time Series Data Imputation
von: Su, Ye, et al.
Veröffentlicht: (2025)

Adjustment for Confounding using Pre-Trained Representations
von: Schulte, Rickmer, et al.
Veröffentlicht: (2025)

2-Cats: 2D Copula Approximating Transforms
von: Figueiredo, Flavio, et al.
Veröffentlicht: (2023)

Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations
von: Xu, Fred, et al.
Veröffentlicht: (2025)

Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas
von: Meier, Theresa, et al.
Veröffentlicht: (2026)

Does Your Neural Network Extrapolate? Feature Engineering as Identifiability Bias for OOD Generalization
von: Aguilar, Leonel, et al.
Veröffentlicht: (2026)

TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series
von: Ashok, Arjun, et al.
Veröffentlicht: (2023)

Computing Approximate Graph Edit Distance via Optimal Transport
von: Cheng, Qihao, et al.
Veröffentlicht: (2024)

Differentiable Cluster Graph Neural Network
von: Dong, Yanfei, et al.
Veröffentlicht: (2024)

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

Generalizing Orthogonalization for Models with Non-Linearities
von: Rügamer, David, et al.
Veröffentlicht: (2024)

Adversarial Signed Graph Learning with Differential Privacy
von: Ke, Haobin, et al.
Veröffentlicht: (2025)

MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis
von: Khalvandi, Fatemeh, et al.
Veröffentlicht: (2026)

Incorporating Domain Differential Equations into Graph Convolutional Networks to Lower Generalization Discrepancy
von: Sun, Yue, et al.
Veröffentlicht: (2024)

Graph Propagation Transformer for Graph Representation Learning
von: Chen, Zhe, et al.
Veröffentlicht: (2023)

Interpretable Machine Learning for TabPFN
von: Rundel, David, et al.
Veröffentlicht: (2024)

GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation
von: Saxena, Krati, et al.
Veröffentlicht: (2026)

A Differential Geometric View and Explainability of GNN on Evolving Graphs
von: Liu, Yazheng, et al.
Veröffentlicht: (2024)

Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations
von: Qin, Tiexin, et al.
Veröffentlicht: (2023)

Treatment Effect Estimation with Differentiated Networked Effect on Graph Data
von: Lin, Xiaofeng, et al.
Veröffentlicht: (2026)

V-Max: A Reinforcement Learning Framework for Autonomous Driving
von: Charraut, Valentin, et al.
Veröffentlicht: (2025)

DeNoise: Learning Robust Graph Representations for Unsupervised Graph-Level Anomaly Detection
von: Chen, Qingfeng, et al.
Veröffentlicht: (2025)

Spatio-Temporal Graph Deep Learning with Stochastic Differential Equations for Uncovering Alzheimer's Disease Progression
von: Zhou, Houliang, et al.
Veröffentlicht: (2025)

Understanding Prediction Discrepancies in Machine Learning Classifiers
von: Renard, Xavier, et al.
Veröffentlicht: (2021)

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

Architecture-Aware Learning Curve Extrapolation via Graph Ordinary Differential Equation
von: Ding, Yanna, et al.
Veröffentlicht: (2024)

ENADPool: The Edge-Node Attention-based Differentiable Pooling for Graph Neural Networks
von: Zhao, Zhehan, et al.
Veröffentlicht: (2024)

DuSEGO: Dual Second-order Equivariant Graph Ordinary Differential Equation
von: Wang, Yingxu, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

From Graph Diffusion to Graph Classification
von: Xian, Jia Jun Cheng, et al.
Veröffentlicht: (2024)

Multi-order Graph Clustering with Adaptive Node-level Weight Learning
von: Liu, Ye, et al.
Veröffentlicht: (2024)

Amortized Vine Copulas for High-Dimensional Density and Information Estimation
von: Safaai, Houman
Veröffentlicht: (2026)

Graph Similarity Computation via Interpretable Neural Node Alignment
von: Wang, Jingjing, et al.
Veröffentlicht: (2024)

VS-Graph: Scalable and Efficient Graph Classification Using Hyperdimensional Computing
von: Poursiami, Hamed, et al.
Veröffentlicht: (2025)

Urban Region Pre-training and Prompting: A Graph-based Approach
von: Jin, Jiahui, et al.
Veröffentlicht: (2024)