Buchumschlag

Learning to Approximate Uniform Facility Location via Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qian, Chendi, Morris, Christopher, Jegelka, Stefanie, Sohler, Christian
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Data Structures and Algorithms Neural and Evolutionary Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Convergence Analysis for Deep Sparse Coding via Convolutional Neural Networks
von: Li, Jianfei, et al.
Veröffentlicht: (2024)

Training Neural Networks is NP-Hard in Fixed Dimension
von: Froese, Vincent, et al.
Veröffentlicht: (2023)

Covered Forest: Fine-grained generalization analysis of graph neural networks
von: Vasileiou, Antonis, et al.
Veröffentlicht: (2024)

ReLU Neural Networks of Polynomial Size for Exact Maximum Flow Computation
von: Hertrich, Christoph, et al.
Veröffentlicht: (2021)

Predictive Spike Timing Enables Distributed Shortest Path Computation in Spiking Neural Networks
von: Storesund, Simen, et al.
Veröffentlicht: (2025)

Multi-Neuron Representations of Hierarchical Concepts in Spiking Neural Networks
von: Lynch, Nancy A.
Veröffentlicht: (2024)

Biased Pareto Optimization for Subset Selection with Dynamic Cost Constraints
von: Liu, Dan-Xuan, et al.
Veröffentlicht: (2024)

Convergence and Running Time of Time-dependent Ant Colony Algorithms
von: Manthey, Bodo, et al.
Veröffentlicht: (2025)

A Scalable Trie Building Algorithm for High-Throughput Phyloanalysis of Wafer-Scale Digital Evolution Experiments
von: Singhvi, Vivaan, et al.
Veröffentlicht: (2025)

Abstraction in Neural Networks
von: Lynch, Nancy
Veröffentlicht: (2024)

Towards graph neural networks for provably solving convex optimization problems
von: Qian, Chendi, et al.
Veröffentlicht: (2025)

Are Graph Neural Networks Optimal Approximation Algorithms?
von: Yau, Morris, et al.
Veröffentlicht: (2023)

The Runtime of Random Local Search on the Generalized Needle Problem
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

Speeding Up Hyper-Heuristics With Markov-Chain Operator Selection and the Only-Worsening Acceptance Operator
von: Bendahi, Abderrahim, et al.
Veröffentlicht: (2025)

How the Move Acceptance Hyper-Heuristic Copes With Local Optima: Drastic Differences Between Jumps and Cliffs
von: Doerr, Benjamin, et al.
Veröffentlicht: (2023)

Fourier Analysis Meets Runtime Analysis: Precise Runtimes on Plateaus
von: Doerr, Benjamin, et al.
Veröffentlicht: (2023)

Hyper-Heuristics Can Profit From Global Variation Operators
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

Runtime Analysis for the NSGA-II: Provable Speed-Ups From Crossover
von: Doerr, Benjamin, et al.
Veröffentlicht: (2022)

Probabilistically Rewired Message-Passing Neural Networks
von: Qian, Chendi, et al.
Veröffentlicht: (2023)

Selection Hyper-heuristics Can Automatically Adjust the Learning Period to Optimally Solve Pseudo-Boolean Problems
von: Doerr, Benjamin, et al.
Veröffentlicht: (2026)

A First Runtime Analysis of the NSGA-II on a Multimodal Problem
von: Doerr, Benjamin, et al.
Veröffentlicht: (2022)

Classical Sorting Algorithms as a Model of Morphogenesis: self-sorting arrays reveal unexpected competencies in a minimal model of basal intelligence
von: Zhang, Taining, et al.
Veröffentlicht: (2023)

Local search for valued constraint satisfaction parameterized by treedepth
von: Kaznatcheev, Artem
Veröffentlicht: (2024)

Stringology-Based Motif Discovery from EEG Signals: an ADHD Case Study
von: Dahan, Anat, et al.
Veröffentlicht: (2026)

Learning Linear Attention in Polynomial Time
von: Yau, Morris, et al.
Veröffentlicht: (2024)

Improved Bounds for Online Facility Location with Predictions
von: Fotakis, Dimitris, et al.
Veröffentlicht: (2021)

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

Neuromorphic Graph Anomaly Detection via Adaptive STDP and Spiking Graph Neural Networks
von: Fofanah, Abdul Joseph, et al.
Veröffentlicht: (2026)

Universal Approximation Theorem for Vector- and Hypercomplex-Valued Neural Networks
von: Valle, Marcos Eduardo, et al.
Veröffentlicht: (2024)

Property Testing of Computational Networks
von: Czumaj, Artur, et al.
Veröffentlicht: (2025)

Replicable Uniformity Testing
von: Liu, Sihan, et al.
Veröffentlicht: (2024)

Unleashing the Potential of Fractional Calculus in Graph Neural Networks with FROND
von: Kang, Qiyu, et al.
Veröffentlicht: (2024)

DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction
von: You, Zinuo, et al.
Veröffentlicht: (2024)

Computing Optimal Regularizers for Online Linear Optimization
von: Gatmiry, Khashayar, et al.
Veröffentlicht: (2024)

Learning Long Sequences in Spiking Neural Networks
von: Stan, Matei Ioan, et al.
Veröffentlicht: (2023)

The Evolution of Learning Algorithms for Artificial Neural Networks
von: Baxter, Jonathan
Veröffentlicht: (2025)

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

Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks
von: Morrill, Todd, et al.
Veröffentlicht: (2026)

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