Suche nach Graph Neural Networks

LLM-System beschleunigt GNN-Inferenz auf großen Wissensgraphen um 28-fach

Ein neues Verfahren namens KG-WISE nutzt große Sprachmodelle (LLMs), um Graph Neural Networks (GNNs) effizienter auf riesigen Wissensgraphe…

arXiv – cs.LG 06.03.2026 05:00

Forschung

Neues Framework korrigiert Bias in Graph Neural Networks für heterophile Graphen

Graph Neural Networks (GNNs) haben sich als leistungsstarkes Werkzeug für die Verarbeitung von graphstrukturierten Daten etabliert. Ihre St…

arXiv – cs.LG 05.03.2026 05:00

Forschung

Neues Framework bewertet GNN-Ausdruckskraft anhand 336 Datensätzen

Um die Zuverlässigkeit von Graph Neural Networks (GNNs) zu erhöhen, hat ein Forschungsteam ein neues, auf Eigenschaften basierendes Evaluat…

arXiv – cs.LG 03.03.2026 05:00

Forschung

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

In der Welt der Graph Neural Networks (GNNs) ist das Training großer Modelle ein komplexes Unterfangen. Traditionell werden dabei Nachbarn…

arXiv – cs.LG 02.03.2026 05:00

Forschung

Riemannische Wärmeausleihe: Hypergraph-Netzwerk überwindet Heterophilie

Hypergraphen beschreiben komplexe Mehrfachbeziehungen zwischen Objekten und finden in Bereichen wie sozialer Netzwerk‑Analyse oder multimod…

arXiv – cs.AI 03.03.2026 05:00

Forschung

GNNs für AML: Initialisierung & Normalisierung steigern Bitcoin‑Betrugserkennung

Graph Neural Networks (GNNs) eröffnen neue Möglichkeiten im Kampf gegen Finanzbetrug, indem sie Transaktionsdaten nicht nur als einzelne Kn…

arXiv – cs.LG 02.03.2026 05:00

Forschung

<p>Neuer Signatur-Ansatz schützt Graph Neural Networks vor Modellextraktion</p> <p>Ein neues Verfahren namens CITED bietet einen robusten Schutz für Graph Neural Networks (GNNs) gegen Model Extraction Attacks (MEAs). Während GNNs in Bereichen wie Empfehlungssystemen und Finanzrisikomanagement hervorragende Ergebnisse liefern, ist die lokale Bereitstellung großer Modelle wegen hoher Rechen- und Datenanforderungen schwierig. Deshalb greifen viele Nutzer auf Machine Learning as a Service (MLaaS) zurück, wo die

arXiv – cs.LG 25.02.2026 05:00

Forschung

HEHRGNN: Einheitliches Modell für Wissensgraphen mit Hyperkanten

Wissensgraphen (KG) haben sich als strukturierte, maschinenlesbare Darstellung von realen Fakten etabliert und ermöglichen fortgeschrittene…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neues GNN-Modell GLaDiGAtor verbessert Vorhersage von Krankheits‑Gen‑Assoziationen

Die Zuordnung von Genen zu Krankheiten ist ein entscheidender Schritt, um Krankheitsmechanismen zu verstehen und neue Diagnose- sowie Thera…

arXiv – cs.LG 24.02.2026 05:00

Forschung

L2G-Net: Lokale zu globalen Spectral‑GNNs durch Cauchy‑Faktorisierung

In der Welt der Graph Neural Networks (GNNs) haben sich die klassischen Spectral‑Methoden, die auf dem Graph‑Fourier‑Transform (GFT) basier…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neues GNN-Modell reduziert spurious Verbindungen für Graphrepräsentationen

Graphdaten sind häufig von Rauschen und trügerischen Zusammenhängen durchdrungen, die die eigentlichen kausalen Beziehungen verbergen. Dies…

arXiv – cs.LG 23.02.2026 05:00

Forschung

Framework zur Messung von Relationalem Bias in Datenbanklernprozessen

Ein neues Forschungsframework namens „Locality Radius“ liefert erstmals ein präzises Maß dafür, wie groß das strukturelle Umfeld sein muss…

arXiv – cs.LG 20.02.2026 05:00

Forschung

AdvSynGNN: Graph Neural Networks – robuste Leistung trotz struktureller Störungen

Die neue Architektur AdvSynGNN setzt neue Maßstäbe für Graph Neural Networks (GNNs), indem sie die häufig auftretende Leistungsabnahme bei…

arXiv – cs.LG 20.02.2026 05:00

Forschung

SymGraph: Symbolische Graph-Lernmethode übertrifft herkömmliche GNNs

In einem bahnbrechenden Beitrag zur Graphverarbeitung präsentiert das Forschungsteam SymGraph, ein neues symbolisches Lernframework, das di…

arXiv – cs.LG 20.02.2026 05:00

Forschung

Neues Graph Neural Network beschleunigt Simulation von Meereis‑Floëchen

Ein neues arXiv‑Veröffentlichung (2602.16213v1) präsentiert einen innovativen Ansatz zur Modellierung von Meereis, bei dem Graph Neural Net…

arXiv – cs.LG 19.02.2026 05:00

Forschung

Neues Verfahren zeigt, dass GNNs auf realistischen Graphen konvergieren können

Wissenschaftler haben ein innovatives Verfahren entwickelt, um große zufällige Graphen mit korrelierten Knoteneigenschaften zu erzeugen. Da…

arXiv – cs.LG 19.02.2026 05:00

Forschung

Graph-Transformer zeigen skalierbare Transferbarkeit dank Positionskodierung

Transformers haben in den letzten Jahren in vielen Bereichen beeindruckende Erfolge erzielt. Diese Entwicklung hat die Entstehung von Graph…

arXiv – cs.LG 18.02.2026 05:00

Forschung

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

Federated Learning (FL) ermöglicht das Training von Modellen über mehrere Clients hinweg, ohne dass Daten zentralisiert werden. Graph Neura…

arXiv – cs.LG 18.02.2026 05:00

Forschung

<h1>Neues, optimierungsfreies Graph-Embedding verbessert Community-Erkennung</h1> <p>In der Welt der Graph-Embeddings, die sowohl Graph Neural Networks als auch Weisfeiler‑Lehman‑Methoden antreiben, ist das Phänomen des Over‑Smoothing – also die allmähliche Verschmelzung von Knotendistinktionen – seit langem ein Problem. Forscher haben nun gezeigt, dass zwei oft vernachlässigte Eigenschaften eines Netzwerks – die Verteilung der Knoten selbst und die Verteilung ihrer Gradzahlen – entscheidend für eine ausdru

arXiv – cs.LG 17.02.2026 05:00

Forschung

GREPO: Erstes Benchmark für GNNs zur Fehlerlokalisierung in Code‑Repositories

Die Lokalisierung von Fehlern auf Repository‑Ebene – also das Auffinden der genauen Stelle, an der Code geändert werden muss, um einen Bug…

arXiv – cs.LG 17.02.2026 05:00

Forschung

Effiziente kontinuierliche Vorhersagen mit Coden: Neuer TGNN-Ansatz

Die Verarbeitung dynamischer Graphen steht im Fokus neuer Forschung, doch bisherige Temporal Graph Neural Networks (TGNNs) sind meist auf e…

arXiv – cs.LG 16.02.2026 05:00

Forschung

FEM-gestützte Hypergraph-Neuronale Netze revolutionieren elastoplastische Simulationen

Ein neues Forschungsprojekt präsentiert FEM-Informed Hypergraph Neural Networks (FHGNN), die Finite-Elemente-Methoden direkt in die Nachric…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Neuer Ansatz GRAPHITE steigert Homophilie in heterophilen Graphen

Graph Neural Networks (GNNs) haben sich als leistungsstarkes Werkzeug zur Analyse von Graphdaten etabliert, stoßen jedoch bei heterophilen…

arXiv – cs.LG 10.02.2026 05:00

Forschung

ATEX-CF: Angriffsgestützte Gegenfaktische Erklärungen für Graph Neural Networks

Ein neues Verfahren namens ATEX‑CF vereint die Techniken von Adversarial Attacks und Gegenfaktischen Erklärungen, um Graph Neural Networks…

arXiv – cs.LG 09.02.2026 05:00

Forschung

SPGCL: Stärkeres Graph-Kontrastlernen durch SVD-gesteuerte Strukturbearbeitung

Graph Neural Networks (GNNs) sind besonders anfällig für strukturelle Störungen wie zufällige oder fehlende Kanten, die durch Angriffe oder…

arXiv – cs.LG 03.02.2026 05:00

Forschung

Neues Sheaf Neural Network übertrifft GNNs in biomedizinischer Analyse

Ein neues Forschungsdokument auf arXiv (2602.00159v1) stellt die Sheaf Neural Network (SNN)-Technologie vor und erklärt ihre theoretischen…

arXiv – cs.LG 03.02.2026 05:00

Forschung

Neues Zellensheaf-Modell liefert topologische Einblicke in Graph Networks

Ein neues Forschungsprojekt aus dem Bereich der geometrischen und topologischen Deep‑Learning‑Architekturen präsentiert einen innovativen A…

arXiv – cs.LG 30.01.2026 05:00

Forschung

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %

In der numerischen Lösung von partiellen Differentialgleichungen (PDEs) spielt die effiziente Behandlung großer, spärlicher linearer System…

arXiv – cs.LG 29.01.2026 05:00

Forschung

FloydNet: Neues Lernparadigma für globale graphbasierte Schlussfolgerungen

In der künstlichen Intelligenz gilt die Entwicklung von Modellen, die komplexe, mehrstufige Schlussfolgerungen durchführen können, als zent…

arXiv – cs.LG 28.01.2026 05:00

Forschung

ASEHybrid: Geometrie entscheidet über Leistung von GNNs – Homophilie reicht nicht aus

Neues Forschungsergebnis zeigt, dass die Struktur von Graphen in Graph Neural Networks (GNNs) nicht allein durch Homophilie bestimmt wird…

arXiv – cs.LG 28.01.2026 05:00

Finde Modelle, Firmen und Themen

LLM-System beschleunigt GNN-Inferenz auf großen Wissensgraphen um 28-fach

Neues Framework korrigiert Bias in Graph Neural Networks für heterophile Graphen

Neues Framework bewertet GNN-Ausdruckskraft anhand 336 Datensätzen

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

Riemannische Wärmeausleihe: Hypergraph-Netzwerk überwindet Heterophilie

GNNs für AML: Initialisierung & Normalisierung steigern Bitcoin‑Betrugserkennung

HEHRGNN: Einheitliches Modell für Wissensgraphen mit Hyperkanten

Neues GNN-Modell GLaDiGAtor verbessert Vorhersage von Krankheits‑Gen‑Assoziationen

L2G-Net: Lokale zu globalen Spectral‑GNNs durch Cauchy‑Faktorisierung

Neues GNN-Modell reduziert spurious Verbindungen für Graphrepräsentationen

Framework zur Messung von Relationalem Bias in Datenbanklernprozessen

AdvSynGNN: Graph Neural Networks – robuste Leistung trotz struktureller Störungen

SymGraph: Symbolische Graph-Lernmethode übertrifft herkömmliche GNNs

Neues Graph Neural Network beschleunigt Simulation von Meereis‑Floëchen

Neues Verfahren zeigt, dass GNNs auf realistischen Graphen konvergieren können

Graph-Transformer zeigen skalierbare Transferbarkeit dank Positionskodierung

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

GREPO: Erstes Benchmark für GNNs zur Fehlerlokalisierung in Code‑Repositories

Effiziente kontinuierliche Vorhersagen mit Coden: Neuer TGNN-Ansatz

FEM-gestützte Hypergraph-Neuronale Netze revolutionieren elastoplastische Simulationen

Neuer Ansatz GRAPHITE steigert Homophilie in heterophilen Graphen

ATEX-CF: Angriffsgestützte Gegenfaktische Erklärungen für Graph Neural Networks

SPGCL: Stärkeres Graph-Kontrastlernen durch SVD-gesteuerte Strukturbearbeitung

Neues Sheaf Neural Network übertrifft GNNs in biomedizinischer Analyse

Neues Zellensheaf-Modell liefert topologische Einblicke in Graph Networks

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %

FloydNet: Neues Lernparadigma für globale graphbasierte Schlussfolgerungen

ASEHybrid: Geometrie entscheidet über Leistung von GNNs – Homophilie reicht nicht aus

🍪 Cookie-Einstellungen

NeuraLSP: Neuronaler Präconditioner beschleunigt CG-Methoden um bis zu 53 %