Buchumschlag

Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liang, Langzhang, Bu, Fanchen, Song, Zixing, Xu, Zenglin, Pan, Shirui, Shin, Kijung
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

Sign is Not a Remedy: Multiset-to-Multiset Message Passing for Learning on Heterophilic Graphs
von: Liang, Langzhang, et al.
Veröffentlicht: (2024)

PyTorch-based Geometric Learning with Non-CUDA Processing Units: Experiences from Intel Gaudi-v2 HPUs
von: Bu, Fanchen, et al.
Veröffentlicht: (2025)

On Training-Test (Mis)alignment in Unsupervised Combinatorial Optimization: Observation, Empirical Exploration, and Analysis
von: Bu, Fanchen, et al.
Veröffentlicht: (2025)

TiGer: Self-Supervised Purification for Time-evolving Graphs
von: Jo, Hyeonsoo, et al.
Veröffentlicht: (2025)

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

Identifying Group Anchors in Real-World Group Interactions Under Label Scarcity
von: Bu, Fanchen, et al.
Veröffentlicht: (2025)

Feature Distribution on Graph Topology Mediates the Effect of Graph Convolution: Homophily Perspective
von: Lee, Soo Yong, et al.
Veröffentlicht: (2024)

Local Virtual Nodes for Alleviating Over-Squashing in Graph Neural Networks
von: Karabulut, Tuğrul Hasan, et al.
Veröffentlicht: (2025)

On Measuring Unnoticeability of Graph Adversarial Attacks: Observations, New Measure, and Applications
von: Jo, Hyeonsoo, et al.
Veröffentlicht: (2025)

DiffIM: Differentiable Influence Minimization with Surrogate Modeling and Continuous Relaxation
von: Lee, Junghun, et al.
Veröffentlicht: (2025)

Graph Rewiring in GNNs to Mitigate Over-Squashing and Over-Smoothing: A Survey
von: Attali, Hugo, et al.
Veröffentlicht: (2024)

Graph Rewiring in GNNs to Mitigate Over-Squashing and Over-Smoothing: A Survey
von: Attali, Hugo, et al.
Veröffentlicht: (2026)

Tackling Prevalent Conditions in Unsupervised Combinatorial Optimization: Cardinality, Minimum, Covering, and More
von: Bu, Fanchen, et al.
Veröffentlicht: (2024)

HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search
von: Choo, Hyunjin, et al.
Veröffentlicht: (2025)

HypeBoy: Generative Self-Supervised Representation Learning on Hypergraphs
von: Kim, Sunwoo, et al.
Veröffentlicht: (2024)

Graph Sparsification via Mixture of Graphs
von: Zhang, Guibin, et al.
Veröffentlicht: (2024)

Mitigating Over-Smoothing and Over-Squashing using Augmentations of Forman-Ricci Curvature
von: Fesser, Lukas, et al.
Veröffentlicht: (2023)

Rethinking Reconstruction-based Graph-Level Anomaly Detection: Limitations and a Simple Remedy
von: Kim, Sunwoo, et al.
Veröffentlicht: (2024)

Spectral Graph Pruning Against Over-Squashing and Over-Smoothing
von: Jamadandi, Adarsh, et al.
Veröffentlicht: (2024)

Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks
von: Yoon, Kijung
Veröffentlicht: (2025)

gLSTM: Mitigating Over-Squashing by Increasing Storage Capacity
von: Blayney, Hugh, et al.
Veröffentlicht: (2025)

Spectral Graph Sparsification Preserves Representation Geometry in Graph Neural Networks
von: Krishnagopal, Sanjukta
Veröffentlicht: (2026)

Adaptive Graph Rewiring to Mitigate Over-Squashing in Mesh-Based GNNs for Fluid Dynamics Simulations
von: Seo, Sangwoo, et al.
Veröffentlicht: (2025)

Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing
von: Moghadas, Seyed Mohamad, et al.
Veröffentlicht: (2026)

DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding
von: Zou, Mingxi, et al.
Veröffentlicht: (2026)

Position: Don't be Afraid of Over-Smoothing And Over-Squashing
von: Kormann, Niklas, et al.
Veröffentlicht: (2026)

Graph Sparsification for Enhanced Conformal Prediction in Graph Neural Networks
von: He, Yuntian, et al.
Veröffentlicht: (2024)

On Vanishing Gradients, Over-Smoothing, and Over-Squashing in GNNs: Bridging Recurrent and Graph Learning
von: Arroyo, Álvaro, et al.
Veröffentlicht: (2025)

Spectral Neural Graph Sparsification
von: Liguori, Angelica, et al.
Veröffentlicht: (2025)

Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks
von: Zhang, He, et al.
Veröffentlicht: (2023)

How Wide and How Deep? Mitigating Over-Squashing of GNNs via Channel Capacity Constrained Estimation
von: You, Zinuo, et al.
Veröffentlicht: (2025)

Learning to Flow from Generative Pretext Tasks for Neural Architecture Encoding
von: Kim, Sunwoo, et al.
Veröffentlicht: (2025)

SGS-GNN: A Supervised Graph Sparsification method for Graph Neural Networks
von: Das, Siddhartha Shankar, et al.
Veröffentlicht: (2025)

Over-Squashing in GNNs and Causal Inference of Rewiring Strategies
von: Saber, Danial, et al.
Veröffentlicht: (2025)

FlowerFormer: Empowering Neural Architecture Encoding using a Flow-aware Graph Transformer
von: Hwang, Dongyeong, et al.
Veröffentlicht: (2024)

A Remedy for Over-Squashing in Graph Learning via Forman-Ricci Curvature based Graph-to-Hypergraph Structural Lifting
von: Banf, Michael, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Graphs with Heterophily: A Survey
von: Zheng, Xin, et al.
Veröffentlicht: (2022)

Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs
von: Song, Zixing, et al.
Veröffentlicht: (2026)

Less Is More -- On the Importance of Sparsification for Transformers and Graph Neural Networks for TSP
von: Lischka, Attila, et al.
Veröffentlicht: (2024)

Self-Guided Robust Graph Structure Refinement
von: In, Yeonjun, et al.
Veröffentlicht: (2024)