Buchumschlag

Graph Homomorphism Distortion: A Metric to Distinguish Them All and in the Latent Space Bind Them

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Carrasco, Martin, Zaghen, Olga, Sumaraj, Kavir, Bekkers, Erik, Rieck, Bastian
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

No Metric to Rule Them All: Toward Principled Evaluations of Graph-Learning Datasets
von: Coupette, Corinna, et al.
Veröffentlicht: (2025)

One Model to Forecast Them All and in Entity Distributions Bind Them
von: Bölat, Kutay, et al.
Veröffentlicht: (2025)

Nonlinear Sheaf Diffusion in Graph Neural Networks
von: Zaghen, Olga
Veröffentlicht: (2024)

Metric Space Magnitude for Evaluating the Diversity of Latent Representations
von: Limbeck, Katharina, et al.
Veröffentlicht: (2023)

Have Graph -- Will Lift? The Case for Higher-Order Benchmarks
von: Rieck, Bastian
Veröffentlicht: (2026)

Diversity Curves for Graph Representation Learning
von: Limbeck, Katharina, et al.
Veröffentlicht: (2026)

One Mask to Rule Them All: On Hidden Facts after Editing and How to Find Them
von: Holmov, Ali, et al.
Veröffentlicht: (2026)

Mapping the Multiverse of Latent Representations
von: Wayland, Jeremy, et al.
Veröffentlicht: (2024)

TabPFN: One Model to Rule Them All?
von: Zhang, Qiong, et al.
Veröffentlicht: (2025)

Diss-l-ECT: Dissecting Graph Data with Local Euler Characteristic Transforms
von: von Rohrscheidt, Julius, et al.
Veröffentlicht: (2024)

CliquePH: Higher-Order Information for Graph Neural Networks through Persistent Homology on Clique Graphs
von: Buffelli, Davide, et al.
Veröffentlicht: (2024)

Reasoning Inconsistencies and How to Mitigate Them in Deep Learning
von: Arakelyan, Erik
Veröffentlicht: (2025)

Differentiable Euler Characteristic Transforms for Shape Classification
von: Roell, Ernst, et al.
Veröffentlicht: (2023)

Riemannian Variational Flow Matching for Material and Protein Design
von: Zaghen, Olga, et al.
Veröffentlicht: (2025)

Invariant-Based Diagnostics for Graph Benchmarks
von: von Moos, Richard, et al.
Veröffentlicht: (2026)

One Router to Route Them All: Homogeneous Expert Routing for Heterogeneous Graph Transformers
von: Shakirov, Georgiy, et al.
Veröffentlicht: (2025)

One Wave To Explain Them All: A Unifying Perspective On Feature Attribution
von: Kasmi, Gabriel, et al.
Veröffentlicht: (2024)

Geometry-Aware Edge Pooling for Graph Neural Networks
von: Limbeck, Katharina, et al.
Veröffentlicht: (2025)

One Period to Rule Them All: Identifying Critical Learning Periods in Deep Networks
von: Fukase, Vinicius Yuiti, et al.
Veröffentlicht: (2025)

On the Expressivity of Persistent Homology in Graph Learning
von: Ballester, Rubén, et al.
Veröffentlicht: (2023)

Topology meets Machine Learning: An Introduction using the Euler Characteristic Transform
von: Rieck, Bastian
Veröffentlicht: (2024)

LEAP: Local ECT-Based Learnable Positional Encodings for Graphs
von: Amboage, Juan, et al.
Veröffentlicht: (2025)

Weisfeiler-Leman Is Incomplete on Simple Spectrum Graphs, so Canonicalize Them
von: Hordan, Snir, et al.
Veröffentlicht: (2026)

Revisiting Random Walks for Learning on Graphs
von: Kim, Jinwoo, et al.
Veröffentlicht: (2024)

When One Modality Rules Them All: Backdoor Modality Collapse in Multimodal Diffusion Models
von: Wang, Qitong, et al.
Veröffentlicht: (2026)

One Loss to Rule Them All: Marked Time-to-Event for Structured EHR Foundation Models
von: Jing, Zilin, et al.
Veröffentlicht: (2026)

Latent Field Discovery In Interacting Dynamical Systems With Neural Fields
von: Kofinas, Miltiadis, et al.
Veröffentlicht: (2023)

Counterfactual Maps: What They Are and How to Find Them
von: Khouna, Awa, et al.
Veröffentlicht: (2026)

Point Cloud Synthesis Using Inner Product Transforms
von: Röell, Ernst, et al.
Veröffentlicht: (2024)

One Policy to Run Them All: an End-to-end Learning Approach to Multi-Embodiment Locomotion
von: Bohlinger, Nico, et al.
Veröffentlicht: (2024)

No Triangulation Without Representation: Generalization in Topological Deep Learning
von: Schmidt, Johannes S., et al.
Veröffentlicht: (2026)

Graph Classification Gaussian Processes via Hodgelet Spectral Features
von: Alain, Mathieu, et al.
Veröffentlicht: (2024)

One Sample to Rule Them All: Extreme Data Efficiency in Multidiscipline Reasoning with Reinforcement Learning
von: Li, Yiyuan, et al.
Veröffentlicht: (2026)

One RNG to Rule Them All: How Randomness Becomes an Attack Vector in Machine Learning
von: Prabhu, Kotekar Annapoorna, et al.
Veröffentlicht: (2026)

Fantastic Pretraining Optimizers and Where to Find Them
von: Wen, Kaiyue, et al.
Veröffentlicht: (2025)

Low Rank Gradients and Where to Find Them
von: Sonthalia, Rishi, et al.
Veröffentlicht: (2025)

Geometry-Aware Simplicial Message Passing
von: Wang, Elena Xinyi, et al.
Veröffentlicht: (2026)

Who's the (Multi-)Fairest of Them All: Rethinking Interpolation-Based Data Augmentation Through the Lens of Multicalibration
von: Halevy, Karina, et al.
Veröffentlicht: (2024)

Homomorphism Counts for Graph Neural Networks: All About That Basis
von: Jin, Emily, et al.
Veröffentlicht: (2024)

One Filter to Deploy Them All: Robust Safety for Quadrupedal Navigation in Unknown Environments
von: Lin, Albert, et al.
Veröffentlicht: (2024)