Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “Heterogene Graph Neural Networks”
Forschung

<h1>HGC-Herd: Effiziente Graphenkondensation für heterogene Netzwerke</h1> <p>Heterogene Graph Neural Networks (HGNNs) haben sich als äußerst leistungsfähig bei der Modellierung komplexer Semantik in Netzwerken mit unterschiedlichen Knotentypen und Relationen erwiesen. Ihre Skalierbarkeit auf große Graphen bleibt jedoch ein Problem, weil strukturelle Redundanz und hochdimensionale Knoteneigenschaften enorme Rechen- und Speicherressourcen erfordern.</p> <p>Der neue Ansatz <strong>HGC-Herd</strong> löst diese

arXiv – cs.LG
Forschung

<h1>Homogene Expertenroutierung steigert Leistung heterogener Graph-Transformer</h1> <p>Ein neuer Beitrag auf arXiv (2511.07603v1) präsentiert einen innovativen Ansatz für heterogene Graph Neural Networks (HGNNs). Traditionell werden in HGNNs Parameter an die jeweiligen Knotentypen oder Kantentypen angepasst, was die Modelle stark auf oberflächliche Labels stützt und die Übertragung von Wissen zwischen unterschiedlichen Typen erschwert.</p> <p>Die Autoren integrieren Mixture-of-Experts (MoE) – ein Konzept,

arXiv – cs.LG