:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Stoll, Timo, Müller, Luis, Morris, Christopher
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2511.08028
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding Generalization in Node and Link Prediction
von: Vasileiou, Antonis, et al.
Veröffentlicht: (2025)

Aligning Transformers with Weisfeiler-Leman
von: Müller, Luis, et al.
Veröffentlicht: (2024)

Towards Principled Graph Transformers
von: Müller, Luis, et al.
Veröffentlicht: (2024)

Attending to Graph Transformers
von: Müller, Luis, et al.
Veröffentlicht: (2023)

Which Algorithms Can Graph Neural Networks Learn?
von: Wittig, Solveig, et al.
Veröffentlicht: (2026)

Survey on Generalization Theory for Graph Neural Networks
von: Vasileiou, Antonis, et al.
Veröffentlicht: (2025)

Principled Latent Diffusion for Graphs via Laplacian Autoencoders
von: Siraudin, Antoine, et al.
Veröffentlicht: (2026)

Grokking as Structural Inference: Transformers Need Bayesian Lottery Tickets
von: Hidajat, Kai, et al.
Veröffentlicht: (2026)

VecFormer: Towards Efficient and Generalizable Graph Transformer with Graph Token Attention
von: Zhou, Jingbo, et al.
Veröffentlicht: (2026)

Probabilistic Graph Rewiring via Virtual Nodes
von: Qian, Chendi, et al.
Veröffentlicht: (2024)

GraphBench: Next-generation graph learning benchmarking
von: Stoll, Timo, et al.
Veröffentlicht: (2025)

Theoretical Insights into Line Graph Transformation on Graph Learning
von: Yang, Fan, et al.
Veröffentlicht: (2024)

GEN: A Practical Alternative to Graph Transformers for Long-Range Graph Modeling
von: Wang, Shuo, et al.
Veröffentlicht: (2024)

A Theory for Compressibility of Graph Transformers for Transductive Learning
von: Shirzad, Hamed, et al.
Veröffentlicht: (2024)

Generalizable Equivariant Diffusion Models for Non-Abelian Lattice Gauge Theory
von: Aarts, Gert, et al.
Veröffentlicht: (2026)

Transformers in Pseudo-Random Number Generation: A Dual Perspective on Theory and Practice
von: Li, Ran, et al.
Veröffentlicht: (2025)

On the Expressive Power of GNNs to Solve Linear SDPs
von: Qian, Chendi, et al.
Veröffentlicht: (2026)

Bridging Theory and Practice in Link Representation with Graph Neural Networks
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

Graph Classification via Reference Distribution Learning: Theory and Practice
von: Wang, Zixiao, et al.
Veröffentlicht: (2024)

Future Directions in the Theory of Graph Machine Learning
von: Morris, Christopher, et al.
Veröffentlicht: (2024)

Unveiling the Role of Randomization in Multiclass Adversarial Classification: Insights from Graph Theory
von: Gnecco-Heredia, Lucas, et al.
Veröffentlicht: (2025)

A Survey of Graph Transformers: Architectures, Theories and Applications
von: Yuan, Chaohao, et al.
Veröffentlicht: (2025)

Angular Graph Fractional Fourier Transform: Theory and Application
von: Zhao, Feiyue, et al.
Veröffentlicht: (2025)

Generalizability Analysis of Graph-based Trajectory Predictor with Vectorized Representation
von: Lu, Juanwu, et al.
Veröffentlicht: (2022)

From Theory to Practice: Implementing and Evaluating e-Fold Cross-Validation
von: Mahlich, Christopher, et al.
Veröffentlicht: (2024)

Low-rank computation of the posterior mean in Multi-Output Gaussian Processes
von: Esche, Sebastian, et al.
Veröffentlicht: (2025)

An Experimental Comparison of Partitioning Strategies for Distributed Graph Neural Network Training
von: Merkel, Nikolai, et al.
Veröffentlicht: (2023)

ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation
von: Nie, Tong, et al.
Veröffentlicht: (2023)

Solving Max-Cut to Global Optimality via Feasibility-Preserving Graph Neural Networks
von: Chen, Hao, et al.
Veröffentlicht: (2026)

A Generalizable Anomaly Detection Method in Dynamic Graphs
von: Yang, Xiao, et al.
Veröffentlicht: (2024)

Graph In-Context Operator Networks for Generalizable Spatiotemporal Prediction
von: Wu, Chenghan, et al.
Veröffentlicht: (2026)

TransformEEG: Towards Improving Model Generalizability in Deep Learning-based EEG Parkinson's Disease Detection
von: Del Pup, Federico, et al.
Veröffentlicht: (2025)

Principled Data Augmentation for Learning to Solve Quadratic Programming Problems
von: Qian, Chendi, et al.
Veröffentlicht: (2025)

Learning to Transform for Generalizable Instance-wise Invariance
von: Singhal, Utkarsh, et al.
Veröffentlicht: (2023)

INViT: A Generalizable Routing Problem Solver with Invariant Nested View Transformer
von: Fang, Han, et al.
Veröffentlicht: (2024)

Neural Network-based Information Set Weighting for Playing Reconnaissance Blind Chess
von: Bertram, Timo, et al.
Veröffentlicht: (2024)

Learning to Approximate Uniform Facility Location via Graph Neural Networks
von: Qian, Chendi, et al.
Veröffentlicht: (2026)

A Comprehensive Graph Pooling Benchmark: Effectiveness, Robustness and Generalizability
von: Wang, Pengyun, et al.
Veröffentlicht: (2024)

Blending Complementary Memory Systems in Hybrid Quadratic-Linear Transformers
von: Irie, Kazuki, et al.
Veröffentlicht: (2025)

GraIP: A Benchmarking Framework For Neural Graph Inverse Problems
von: Cantürk, Semih, et al.
Veröffentlicht: (2026)