Graph Learning
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 2
- 평가표
- 1
- 보존된 평가 기록
- 1
Graph learning is a branch of machine learning that focuses on the analysis and interpretation of data represented in graph form. In this context, a graph is a collection of nodes (or vertices) and edges, where nodes represent entities and edges represent the relationships or interactions between these entities. This structure is particularly useful for modeling complex networks found in various domains such as social networks, biological networks, and communication networks.
Graph learning leverages the relationships and structures within the graph to learn and make predictions. It includes techniques like graph neural networks (GNNs), which extend the concept of neural networks to handle graph-structured data. These models are adept at capturing the dependencies and influence of connected nodes, leading to more accurate predictions in scenarios where relationships play a key role.
Key applications of graph learning include recommender systems, drug discovery, social network analysis, and fraud detection. By utilizing the inherent structure of graph data, graph learning algorithms can uncover deep insights and patterns that are not apparent with traditional machine learning approaches.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
GraphVid: 대화형 그래프 제어 비디오 생성
BCNet: 구조 유도 표현 학습을 통한 기관지 분류
유방 초음파 분류를 위한 GCN 프레임워크에서 이미지 인코더 선택과 그래프 동질성 분석
CityGuard: Graph-Aware Private Descriptors for Bias-Resilient Identity Search Across Urban Cameras
polyDAG: 시각적 의미 그래프에서 효율적인 연속 인과 발견을 위한 다항식 비순환성 제약
EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy
CAGE: 장문 질의응답에서 충실한 인라인 인용 생성을 위한 인지적 귀속 그래프
소프트맥스가 버리는 것: 증거 누적을 위한 질량 인식 어텐션
Graph Attention Network를 이용한 토양 미세플astics 및 유기물의 공간 예측
규모보다 구조: RAG를 위한 스키마 제약 인과 그래프
HyCE-RAG: 설명 가능한 다중 홉 질의응답을 위한 하이퍼그래프 증거 연쇄 검색-증강 생성
교훈으로부터의 진화: 연산별 표 질의응답을 위한 스킬 증강 표 그래프 추론
SEGRA: Gremlin 기반 질의응답을 위한 구조화된 경험 기반 그래프 추론 에이전트
집중이 전부다: 다중 에이전트 그래프 시스템을 위한 적응형 목표 인식 어텐션 오케스트레이션
향상된 인과 전방향 네트워크 재구성(RECON)
그래프 기반 상관 행렬 생성: 볼록 최적화 접근법
PostDeg: LayerNorm GNN에서 배치가 매개변수화를 능가한다
그래프 신경망을 이용한 Cayley 그래프로부터 대수적 성질을 학습하기 위한 일반 프레임워크
MotifRole-Diff: 마스킹 분자 그래프 확산을 위한 위험 최적 역할 인식 손상
적응형 상보적 강화를 통한 이질성 환경에서 조정 기반 GNN 학습의 개선
그래프 조(coarsening)와 레이블 전파를 통한 효율적 추천
팩터 그래프를 통한 서브샘플링을 위한 진화 인식 MSA 추론
엔트로피 곡률을 통한 그래프 신경망의 국소-전역 기하학적 통찰
환경 유사성과 선박 이동성을 해양 침입종 경로의 결합 예측변수로 하는 이론적 프레임워크
그래프 신경망의 깊이 인식 장거리 전파를 위한 스펙트럴 플로우 인증
LLM 기반 개체 해소를 이용한 혼합 형식 점유 데이터에서의 가구 이동 탐지
Active Directory 보안 강화를 위한 실용적 그래프 최적화 및 AI 기반 모델
신뢰할 수 있고 비용 효율적인 데이터 통합을 향하여: 순진한 RAG에서 에이전틱 RAG까지
희소 고차원 랜덤 기하 그래프에서의 스펙트럴 집중과 복구
TopoGuard: RAG의 분할 지식(split-knowledge) 공격에 대한 그래프 이론 기반 방어
GRADRAG: 조율된 다중 에이전트 RAG를 위한 교차 컴포넌트 프롬프트 적응
HypNO: 쌍곡 보존 법칙을 위한 물리 정보 메시지 패싱 기반 그래프 신경 연산자
Chronofy: 시간 인식 검색-증강 생성에서 정보 유효성을 위한 시간-논리 감쇠 아키텍처
카디널리티 분해 손실: 이질적 추천 그래프에서 관계 구조에 학습 목표를 맞추기
스케일 인식 신경 복원을 갖춘 다중 수준 그래프 웨이블릿 압축 센싱
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.