Buchumschlag

Towards Understanding and Avoiding Limitations of Convolutions on Graphs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Roth, Andreas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

What Can We Learn From MIMO Graph Convolutions?
von: Roth, Andreas, et al.
Veröffentlicht: (2025)

Toward Understanding Convolutional Neural Networks from Volterra Convolution Perspective
von: Li, Tenghui, et al.
Veröffentlicht: (2021)

Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks
von: Roth, Andreas, et al.
Veröffentlicht: (2023)

DeepHGCN: Toward Deeper Hyperbolic Graph Convolutional Networks
von: Liu, Jiaxu, et al.
Veröffentlicht: (2023)

Simplifying the Theory on Over-Smoothing
von: Roth, Andreas
Veröffentlicht: (2024)

WikiBigEdit: Understanding the Limits of Lifelong Knowledge Editing in LLMs
von: Thede, Lukas, et al.
Veröffentlicht: (2025)

Preventing Representational Rank Collapse in MPNNs by Splitting the Computational Graph
von: Roth, Andreas, et al.
Veröffentlicht: (2024)

Counterfactual Reasoning with Knowledge Graph Embeddings
von: Zellinger, Lena, et al.
Veröffentlicht: (2024)

Graph Adversarial Diffusion Convolution
von: Liu, Songtao, et al.
Veröffentlicht: (2024)

Scalable Graph Compressed Convolutions
von: Sun, Junshu, et al.
Veröffentlicht: (2024)

Review of blockchain application with Graph Neural Networks, Graph Convolutional Networks and Convolutional Neural Networks
von: Ancelotti, Amy, et al.
Veröffentlicht: (2024)

Perception-Inspired Graph Convolution for Music Understanding Tasks
von: Karystinaios, Emmanouil, et al.
Veröffentlicht: (2024)

Towards Analyzing and Understanding the Limitations of VAPO: A Theoretical Perspective
von: Shao, Jintian, et al.
Veröffentlicht: (2025)

The Cost of Avoiding Backpropagation
von: Panchal, Kunjal, et al.
Veröffentlicht: (2025)

Residual Hyperbolic Graph Convolution Networks
von: Xue, Yangkai, et al.
Veröffentlicht: (2024)

Variational Graph Convolutional Neural Networks
von: Oleksiienko, Illia, et al.
Veröffentlicht: (2025)

Convolutional Learning on Directed Acyclic Graphs
von: Rey, Samuel, et al.
Veröffentlicht: (2024)

Understanding When Graph Convolutional Networks Help: A Diagnostic Study on Label Scarcity and Structural Properties
von: Subedi, Nischal, et al.
Veröffentlicht: (2025)

Keep Calm and Avoid Harmful Content: Concept Alignment and Latent Manipulation Towards Safer Answers
von: Belo, Ruben, et al.
Veröffentlicht: (2025)

Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks
von: Han, Minglian
Veröffentlicht: (2025)

Predicting the Performance of Graph Convolutional Networks with Spectral Properties of the Graph Laplacian
von: Manir, Shalima Binta, et al.
Veröffentlicht: (2025)

Graph Edge Representation via Tensor Product Graph Convolutional Representation
von: Jiang, Bo, et al.
Veröffentlicht: (2024)

On the Equivalence of Graph Convolution and Mixup
von: Han, Xiaotian, et al.
Veröffentlicht: (2023)

Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations
von: Spadea, Fernando, et al.
Veröffentlicht: (2025)

Concept Graph Convolutions: Message Passing in the Concept Space
von: Magister, Lucie Charlotte, et al.
Veröffentlicht: (2026)

Size Transferability of Graph Transformers with Convolutional Positional Encodings
von: Porras-Valenzuela, Javier, et al.
Veröffentlicht: (2026)

Partially Trained Graph Convolutional Networks Resist Oversmoothing
von: Kelesis, Dimitrios, et al.
Veröffentlicht: (2024)

Simplifying Graph Convolutional Networks with Redundancy-Free Neighbors
von: Lu, Jielong, et al.
Veröffentlicht: (2025)

Flexible Infinite-Width Graph Convolutional Neural Networks
von: Anson, Ben, et al.
Veröffentlicht: (2024)

GTAGCN: Generalized Topology Adaptive Graph Convolutional Networks
von: Singh, Sukhdeep, et al.
Veröffentlicht: (2024)

Disentangling Polysemantic Channels in Convolutional Neural Networks
von: Hesse, Robin, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Graph Coloring: Understanding the Power and Limits of Non-Label Invariant Representations
von: Cummins, Chase, et al.
Veröffentlicht: (2024)

Towards Context-Aware Domain Generalization: Understanding the Benefits and Limits of Marginal Transfer Learning
von: Müller, Jens, et al.
Veröffentlicht: (2023)

Directed Acyclic Graph Convolutional Networks
von: Rey, Samuel, et al.
Veröffentlicht: (2025)

Coefficient Decomposition for Spectral Graph Convolution
von: Huang, Feng, et al.
Veröffentlicht: (2024)

Towards Robust Cardiac Segmentation using Graph Convolutional Networks
von: Van De Vyver, Gilles, et al.
Veröffentlicht: (2023)

Trustworthy Feature Importance Avoids Unrestricted Permutations
von: Borgonovo, Emanuele, et al.
Veröffentlicht: (2026)

Prediction Models That Learn to Avoid Missing Values
von: Stempfle, Lena, et al.
Veröffentlicht: (2025)

Intruding with Words: Towards Understanding Graph Injection Attacks at the Text Level
von: Lei, Runlin, et al.
Veröffentlicht: (2024)

Graph-augmented Convolutional Networks on Drug-Drug Interactions Prediction
von: Zhong, Yi, et al.
Veröffentlicht: (2019)