Buchumschlag

The Unreasonable Effectiveness of Randomized Representations in Online Continual Graph Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Donghi, Giovanni, Zambon, Daniele, Pasa, Luca, Alippi, Cesare, Navarin, Nicolò
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

Online Continual Graph Learning
von: Donghi, Giovanni, et al.
Veröffentlicht: (2025)

Learning Latent Graph Structures and their Uncertainty
von: Manenti, Alessandro, et al.
Veröffentlicht: (2024)

Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data
von: Zambon, Daniele, et al.
Veröffentlicht: (2023)

Change Detection in Graph Streams by Learning Graph Embeddings on Constant-Curvature Manifolds
von: Grattarola, Daniele, et al.
Veröffentlicht: (2018)

Graph State-Space Models and Latent Relational Inference
von: Zambon, Daniele, et al.
Veröffentlicht: (2023)

Graph Deep Learning for Time Series Forecasting
von: Cini, Andrea, et al.
Veröffentlicht: (2023)

Temporal Graph ODEs for Irregularly-Sampled Time Series
von: Gravina, Alessio, et al.
Veröffentlicht: (2024)

Understanding Pooling in Graph Neural Networks
von: Grattarola, Daniele, et al.
Veröffentlicht: (2021)

Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations
von: De Felice, Giovanni, et al.
Veröffentlicht: (2024)

PeakWeather: MeteoSwiss Weather Station Measurements for Spatiotemporal Deep Learning
von: Zambon, Daniele, et al.
Veröffentlicht: (2025)

Hierarchical Representation Learning in Graph Neural Networks with Node Decimation Pooling
von: Bianchi, Filippo Maria, et al.
Veröffentlicht: (2019)

SWING: Unlocking Implicit Graph Representations for Graph Random Features
von: Manenti, Alessandro, et al.
Veröffentlicht: (2026)

Beyond Softmax: A Natural Parameterization for Categorical Random Variables
von: Manenti, Alessandro, et al.
Veröffentlicht: (2025)

A tree-based kernel for graphs with continuous attributes
von: Martino, Giovanni Da San, et al.
Veröffentlicht: (2015)

BEP: A Binary Error Propagation Algorithm for Binary Neural Networks Training
von: Colombo, Luca, et al.
Veröffentlicht: (2025)

Unveiling the Actual Performance of Neural-based Models for Equation Discovery on Graph Dynamical Systems
von: Cappi, Riccardo, et al.
Veröffentlicht: (2025)

Feudal Graph Reinforcement Learning
von: Marzi, Tommaso, et al.
Veröffentlicht: (2023)

Object-Centric Relational Representations for Image Generation
von: Butera, Luca, et al.
Veröffentlicht: (2023)

The Unreasonable Effectiveness of Random Target Embeddings for Continuous-Output Neural Machine Translation
von: Tokarchuk, Evgeniia, et al.
Veröffentlicht: (2023)

On the Regularization of Learnable Embeddings for Time Series Forecasting
von: Butera, Luca, et al.
Veröffentlicht: (2024)

Why Do Time Series Models Need Long Context Windows?
von: Butera, Luca, et al.
Veröffentlicht: (2026)

A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection
von: Jin, Ming, et al.
Veröffentlicht: (2023)

Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
von: Cini, Andrea, et al.
Veröffentlicht: (2023)

Hierarchical Message-Passing Policies for Multi-Agent Reinforcement Learning
von: Marzi, Tommaso, et al.
Veröffentlicht: (2025)

Graph-based Forecasting with Missing Data through Spatiotemporal Downsampling
von: Marisca, Ivan, et al.
Veröffentlicht: (2024)

On the Unreasonable Effectiveness of Last-layer Retraining
von: Hill, John C., et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of LLMs for Query Optimization
von: Akioyamen, Peter, et al.
Veröffentlicht: (2024)

Position: Current Benchmarking Hinders Real Progress in Deep Learning for Time Series Forecasting
von: Moretti, Valentina, et al.
Veröffentlicht: (2025)

Over-squashing in Spatiotemporal Graph Neural Networks
von: Marisca, Ivan, et al.
Veröffentlicht: (2025)

Representation Gap: Explaining the Unreasonable Effectiveness of Neural Networks from a Geometric Perspective
von: Perera, David, et al.
Veröffentlicht: (2026)

The Unreasonable Effectiveness of Data for Recommender Systems
von: Abdou, Youssef
Veröffentlicht: (2026)

The Unreasonable Effectiveness of Solving Inverse Problems with Neural Networks
von: Holl, Philipp, et al.
Veröffentlicht: (2024)

PIF: Anomaly detection via preference embedding
von: Leveni, Filippo, et al.
Veröffentlicht: (2025)

Hashing for Structure-based Anomaly Detection
von: Leveni, Filippo, et al.
Veröffentlicht: (2025)

Preference Isolation Forest for Structure-based Anomaly Detection
von: Leveni, Filippo, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Entropy Minimization in LLM Reasoning
von: Agarwal, Shivam, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Eccentric Automatic Prompts
von: Battle, Rick, et al.
Veröffentlicht: (2024)

Random Representations Outperform Online Continually Learned Representations
von: Prabhu, Ameya, et al.
Veröffentlicht: (2024)

Iterative In-Context Learning to Enhance LLMs Abstract Reasoning: The Case-Study of Algebraic Tasks
von: Fioravanti, Stefano, et al.
Veröffentlicht: (2025)

Beyond Semantics: The Unreasonable Effectiveness of Reasonless Intermediate Tokens
von: Valmeekam, Karthik, et al.
Veröffentlicht: (2025)