Buchumschlag

State Space Models over Directed Graphs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	She, Junzhi, Li, Xunkai, Li, Rong-Hua, Wang, Guoren
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

Towards Data-centric Machine Learning on Directed Graphs: a Survey
von: Sun, Henan, et al.
Veröffentlicht: (2024)

OpenGU: A Comprehensive Benchmark for Graph Unlearning
von: Fan, Bowen, et al.
Veröffentlicht: (2025)

Toward Data-centric Directed Graph Learning: An Entropy-driven Approach
von: Li, Xunkai, et al.
Veröffentlicht: (2025)

Towards Robust Federated Multimodal Graph Learning under Modality Heterogeneity
von: Zhang, Sirui, et al.
Veröffentlicht: (2026)

DiRW: Path-Aware Digraph Learning for Heterophily
von: Su, Daohan, et al.
Veröffentlicht: (2024)

Federated Prototype Graph Learning
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Toward Scalable Graph Unlearning: A Node Influence Maximization based Approach
von: Li, Xunkai, et al.
Veröffentlicht: (2025)

Graph Learning in the Era of LLMs: A Survey from the Perspective of Data, Models, and Tasks
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

FedGTA: Topology-aware Averaging for Federated Graph Learning
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

Rethinking Node-wise Propagation for Large-scale Graph Learning
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

When LLMs meet open-world graph learning: a new perspective for unlabeled data uncertainty
von: Wen, Yanzhe, et al.
Veröffentlicht: (2025)

Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification
von: Sun, Henan, et al.
Veröffentlicht: (2023)

AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

LightDiC: A Simple yet Effective Approach for Large-scale Digraph Representation Learning
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

Toward Effective Multimodal Graph Foundation Model: A Divide-and-Conquer Based Approach
von: Liu, Sicheng, et al.
Veröffentlicht: (2026)

Towards Unbiased Federated Graph Learning: Label and Topology Perspectives
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Toward Effective Digraph Representation Learning: A Magnetic Adaptive Propagation based Approach
von: Li, Xunkai, et al.
Veröffentlicht: (2025)

OpenFGL: A Comprehensive Benchmark for Federated Graph Learning
von: Li, Xunkai, et al.
Veröffentlicht: (2024)

DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis
von: Zhang, Ru, et al.
Veröffentlicht: (2026)

A Comprehensive Data-centric Overview of Federated Graph Learning
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)

ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning
von: Wu, Xiang, et al.
Veröffentlicht: (2025)

Generalized Category Discovery in Federated Graph Learning
von: Yuan, Zhongzheng, et al.
Veröffentlicht: (2026)

GraphMaster: Automated Graph Synthesis via LLM Agents in Data-Limited Environments
von: Du, Enjun, et al.
Veröffentlicht: (2025)

Toward General and Robust LLM-enhanced Text-attributed Graph Learning
von: Zhang, Zihao, et al.
Veröffentlicht: (2025)

GOMA: Toward Structure-Driven Multimodal Alignment from a Graph Signal Smoothing Perspective
von: Wang, Xu, et al.
Veröffentlicht: (2026)

Scalable Topology-Preserving Graph Coarsening: Concepts and Algorithms
von: Wu, Xiang, et al.
Veröffentlicht: (2026)

STAGE: Tackling Semantic Drift in Multimodal Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2026)

GLADMamba: Unsupervised Graph-Level Anomaly Detection Powered by Selective State Space Model
von: Fu, Yali, et al.
Veröffentlicht: (2025)

STG-Mamba: Spatial-Temporal Graph Learning via Selective State Space Model
von: Li, Lincan, et al.
Veröffentlicht: (2024)

FedSA-GCL: A Semi-Asynchronous Federated Graph Learning Framework with Personalized Aggregation and Cluster-Aware Broadcasting
von: Yuan, Zhongzheng, et al.
Veröffentlicht: (2025)

Toward General Digraph Contrastive Learning: A Dual Spatial Perspective
von: Su, Daohan, et al.
Veröffentlicht: (2025)

State Space Models on Temporal Graphs: A First-Principles Study
von: Li, Jintang, et al.
Veröffentlicht: (2024)

FedBook: A Unified Federated Graph Foundation Codebook with Intra-domain and Inter-domain Knowledge Modeling
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Graph-Mamba: Towards Long-Range Graph Sequence Modeling with Selective State Spaces
von: Wang, Chloe, et al.
Veröffentlicht: (2024)

DREAM: Domain-agnostic Reverse Engineering Attributes of Black-box Model
von: Li, Rongqing, et al.
Veröffentlicht: (2024)

Two Facets of the Same Optimization Coin: Model Degradation and Representation Collapse in Graph Foundation Models
von: Li, Xunkai, et al.
Veröffentlicht: (2025)

FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning
von: Zhu, Yinlin, et al.
Veröffentlicht: (2024)

Graph Prompting for Graph Learning Models: Recent Advances and Future Directions
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

TFPS: A Temporal Filtration-enhanced Positive Sample Set Construction Method for Implicit Collaborative Filtering
von: Wu, Jiayi, et al.
Veröffentlicht: (2026)