KI News: Kurz und klar.

Ein neuer Ansatz für Graph-Transformer, der auf serialisierten Graph-Tokens basiert, hat die Grenzen der graphbasierten Lernverfahren neu definiert. Durch die Umwandlung von Knoteninformationen in eine sequenzielle Token-Repräsentation nutzt das Modell die volle Kraft der Selbstaufmerksamkeit, um komplexe Interaktionen zwischen Knoten zu erfassen.

Die neueste Veröffentlichung auf arXiv (2601.11885v1) stellt MyGram vor – einen multimodalen Graph‑Transformer, der speziell für die Entitätsabstimmung zwischen Knowledge Graphen entwickelt wurde. Durch die Kombination von Bild‑ und Textdaten werden semantische Repräsentationen von Entitäten deutlich angereichert.

Neurologische Erkrankungen sind weltweit die führende Ursache für Behinderungen, doch bislang fehlt es an krankheitsmodifizierenden Therapien. Mit dem heterogenen Graph-Transformer PROTON wird ein neuer Ansatz vorgestellt, der testbare Hypothesen über molekulare, Organoid- und klinische Systeme hinweg generiert.

In einer kürzlich veröffentlichten Arbeit auf arXiv (2512.00612v1) stellen die Autoren den Generalized Graph Transformer Variational Autoencoder (GGT‑VAE) vor – ein Modell, das die Stärken von Transformer‑Architekturen mit dem Variational Autoencoder-Framework kombiniert, um die Vorhersage von Kanten in Graphen zu verbessern.

Der neu veröffentlichte Graph-Transformer „BrainHGT“ nutzt die hierarchische Struktur des Gehirns, um Hirnnetzwerke genauer zu analysieren. Im Gegensatz zu bisherigen Modellen, die das Gehirn als flaches Netzwerk betrachten und sämtliche Verbindungen gleich behandeln, berücksichtigt BrainHGT die modulare Organisation und die räumlichen Muster von Verbindungen.