Articles de revues sur le sujet « Learning on graphs »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Learning on graphs ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Huang, Xueqin, Xianqiang Zhu, Xiang Xu, Qianzhen Zhang et Ailin Liang. « Parallel Learning of Dynamics in Complex Systems ». Systems 10, no 6 (15 décembre 2022) : 259. http://dx.doi.org/10.3390/systems10060259.
Texte intégralZeng, Jiaqi, et Pengtao Xie. « Contrastive Self-supervised Learning for Graph Classification ». Proceedings of the AAAI Conference on Artificial Intelligence 35, no 12 (18 mai 2021) : 10824–32. http://dx.doi.org/10.1609/aaai.v35i12.17293.
Texte intégralFionda, Valeria, et Giuseppe Pirrò. « Learning Triple Embeddings from Knowledge Graphs ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 04 (3 avril 2020) : 3874–81. http://dx.doi.org/10.1609/aaai.v34i04.5800.
Texte intégralZainullina, R. « Automatic Graph Generation for E-learning Systems ». Bulletin of Science and Practice 7, no 6 (15 juin 2021) : 12–16. http://dx.doi.org/10.33619/2414-2948/67/01.
Texte intégralHu, Shengze, Weixin Zeng, Pengfei Zhang et Jiuyang Tang. « Neural Graph Similarity Computation with Contrastive Learning ». Applied Sciences 12, no 15 (29 juillet 2022) : 7668. http://dx.doi.org/10.3390/app12157668.
Texte intégralXiang, Xintao, Tiancheng Huang et Donglin Wang. « Learning to Evolve on Dynamic Graphs (Student Abstract) ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 11 (28 juin 2022) : 13091–92. http://dx.doi.org/10.1609/aaai.v36i11.21682.
Texte intégralKim, Jaehyeon, Sejong Lee, Yushin Kim, Seyoung Ahn et Sunghyun Cho. « Graph Learning-Based Blockchain Phishing Account Detection with a Heterogeneous Transaction Graph ». Sensors 23, no 1 (1 janvier 2023) : 463. http://dx.doi.org/10.3390/s23010463.
Texte intégralMa, Yunpu, et Volker Tresp. « Quantum Machine Learning Algorithm for Knowledge Graphs ». ACM Transactions on Quantum Computing 2, no 3 (30 septembre 2021) : 1–28. http://dx.doi.org/10.1145/3467982.
Texte intégralMa, Guixiang, Nesreen K. Ahmed, Theodore L. Willke et Philip S. Yu. « Deep graph similarity learning : a survey ». Data Mining and Knowledge Discovery 35, no 3 (24 mars 2021) : 688–725. http://dx.doi.org/10.1007/s10618-020-00733-5.
Texte intégralLee, Namkyeong, Junseok Lee et Chanyoung Park. « Augmentation-Free Self-Supervised Learning on Graphs ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 7 (28 juin 2022) : 7372–80. http://dx.doi.org/10.1609/aaai.v36i7.20700.
Texte intégralZhang, Tong, Yun Wang, Zhen Cui, Chuanwei Zhou, Baoliang Cui, Haikuan Huang et Jian Yang. « Deep Wasserstein Graph Discriminant Learning for Graph Classification ». Proceedings of the AAAI Conference on Artificial Intelligence 35, no 12 (18 mai 2021) : 10914–22. http://dx.doi.org/10.1609/aaai.v35i12.17303.
Texte intégralChristensen, Andrew J., Ananya Sen Gupta et Ivars Kirsteins. « Graph representation learning on braid manifolds ». Journal of the Acoustical Society of America 152, no 4 (octobre 2022) : A39. http://dx.doi.org/10.1121/10.0015466.
Texte intégralJames, Jinto, K. A. Germina et P. Shaini. « Learning graphs and 1-uniform dcsl graphs ». Discrete Mathematics, Algorithms and Applications 09, no 04 (août 2017) : 1750046. http://dx.doi.org/10.1142/s179383091750046x.
Texte intégralZhuang, Jun, et Mohammad Al Hasan. « Defending Graph Convolutional Networks against Dynamic Graph Perturbations via Bayesian Self-Supervision ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 4 (28 juin 2022) : 4405–13. http://dx.doi.org/10.1609/aaai.v36i4.20362.
Texte intégralGerofsky, Susan. « Mathematical learning and gesture ». Gesture and Multimodal Development 10, no 2-3 (31 décembre 2010) : 321–43. http://dx.doi.org/10.1075/gest.10.2-3.10ger.
Texte intégralBahrami, Saeedeh, Alireza Bosaghzadeh et Fadi Dornaika. « Multi Similarity Metric Fusion in Graph-Based Semi-Supervised Learning ». Computation 7, no 1 (7 mars 2019) : 15. http://dx.doi.org/10.3390/computation7010015.
Texte intégralWald, Johanna, Nassir Navab et Federico Tombari. « Learning 3D Semantic Scene Graphs with Instance Embeddings ». International Journal of Computer Vision 130, no 3 (22 janvier 2022) : 630–51. http://dx.doi.org/10.1007/s11263-021-01546-9.
Texte intégralCUCKA, PETER, NATHAN S. NETANYAHU et AZRIEL ROSENFELD. « LEARNING IN NAVIGATION : GOAL FINDING IN GRAPHS ». International Journal of Pattern Recognition and Artificial Intelligence 10, no 05 (août 1996) : 429–46. http://dx.doi.org/10.1142/s0218001496000281.
Texte intégralBai, Yunsheng, Hao Ding, Ken Gu, Yizhou Sun et Wei Wang. « Learning-Based Efficient Graph Similarity Computation via Multi-Scale Convolutional Set Matching ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 04 (3 avril 2020) : 3219–26. http://dx.doi.org/10.1609/aaai.v34i04.5720.
Texte intégralGIBERT, JAUME, ERNEST VALVENY et HORST BUNKE. « EMBEDDING OF GRAPHS WITH DISCRETE ATTRIBUTES VIA LABEL FREQUENCIES ». International Journal of Pattern Recognition and Artificial Intelligence 27, no 03 (mai 2013) : 1360002. http://dx.doi.org/10.1142/s0218001413600021.
Texte intégralJung, Jinhong, Jaemin Yoo et U. Kang. « Signed random walk diffusion for effective representation learning in signed graphs ». PLOS ONE 17, no 3 (17 mars 2022) : e0265001. http://dx.doi.org/10.1371/journal.pone.0265001.
Texte intégralJavad Hosseini, Mohammad, Nathanael Chambers, Siva Reddy, Xavier R. Holt, Shay B. Cohen, Mark Johnson et Mark Steedman. « Learning Typed Entailment Graphs with Global Soft Constraints ». Transactions of the Association for Computational Linguistics 6 (décembre 2018) : 703–17. http://dx.doi.org/10.1162/tacl_a_00250.
Texte intégralBalcı, Mehmet Ali, Ömer Akgüller, Larissa M. Batrancea et Lucian Gaban. « Discrete Geodesic Distribution-Based Graph Kernel for 3D Point Clouds ». Sensors 23, no 5 (21 février 2023) : 2398. http://dx.doi.org/10.3390/s23052398.
Texte intégralLi, Shuai, Wei Chen, Zheng Wen et Kwong-Sak Leung. « Stochastic Online Learning with Probabilistic Graph Feedback ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 04 (3 avril 2020) : 4675–82. http://dx.doi.org/10.1609/aaai.v34i04.5899.
Texte intégralMakarov, Ilya, Dmitrii Kiselev, Nikita Nikitinsky et Lovro Subelj. « Survey on graph embeddings and their applications to machine learning problems on graphs ». PeerJ Computer Science 7 (4 février 2021) : e357. http://dx.doi.org/10.7717/peerj-cs.357.
Texte intégralYao, Huaxiu, Chuxu Zhang, Ying Wei, Meng Jiang, Suhang Wang, Junzhou Huang, Nitesh Chawla et Zhenhui Li. « Graph Few-Shot Learning via Knowledge Transfer ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 04 (3 avril 2020) : 6656–63. http://dx.doi.org/10.1609/aaai.v34i04.6142.
Texte intégralBera, Abhijit, Mrinal Kanti Ghose et Dibyendu Kumar Pal. « Graph Classification Using Back Propagation Learning Algorithms ». International Journal of Systems and Software Security and Protection 11, no 2 (juillet 2020) : 1–12. http://dx.doi.org/10.4018/ijsssp.2020070101.
Texte intégralAbualkishik, Abedallah Z., Rasha Almajed et William Thompson. « Trustworthy Federated Graph Learning Framework for Wireless Internet of Things ». International Journal of Wireless and Ad Hoc Communication 5, no 2 (2022) : 48–63. http://dx.doi.org/10.54216/ijwac.050204.
Texte intégralAbualkishik, Abedallah Z., Rasha Almajed et William Thompson. « Trustworthy Federated Graph Learning Framework for Wireless Internet of Things ». International Journal of Wireless and Ad Hoc Communication 6, no 1 (2023) : 50–62. http://dx.doi.org/10.54216/ijwac.060105.
Texte intégralNi, Xiang, Jing Li, Mo Yu, Wang Zhou et Kun-Lung Wu. « Generalizable Resource Allocation in Stream Processing via Deep Reinforcement Learning ». Proceedings of the AAAI Conference on Artificial Intelligence 34, no 01 (3 avril 2020) : 857–64. http://dx.doi.org/10.1609/aaai.v34i01.5431.
Texte intégralGuo, Zhijiang, Yan Zhang, Zhiyang Teng et Wei Lu. « Densely Connected Graph Convolutional Networks for Graph-to-Sequence Learning ». Transactions of the Association for Computational Linguistics 7 (novembre 2019) : 297–312. http://dx.doi.org/10.1162/tacl_a_00269.
Texte intégralBéthune, Louis, Yacouba Kaloga, Pierre Borgnat, Aurélien Garivier et Amaury Habrard. « Hierarchical and Unsupervised Graph Representation Learning with Loukas’s Coarsening ». Algorithms 13, no 9 (21 août 2020) : 206. http://dx.doi.org/10.3390/a13090206.
Texte intégralLi, Yanying. « Characterizing the Minimal Essential Graphs of Maximal Ancestral Graphs ». International Journal of Pattern Recognition and Artificial Intelligence 34, no 04 (5 août 2019) : 2059009. http://dx.doi.org/10.1142/s0218001420590090.
Texte intégralAlbergante, Luca, Evgeny Mirkes, Jonathan Bac, Huidong Chen, Alexis Martin, Louis Faure, Emmanuel Barillot, Luca Pinello, Alexander Gorban et Andrei Zinovyev. « Robust and Scalable Learning of Complex Intrinsic Dataset Geometry via ElPiGraph ». Entropy 22, no 3 (4 mars 2020) : 296. http://dx.doi.org/10.3390/e22030296.
Texte intégralJaeger, Manfred, Jens D. Nielsen et Tomi Silander. « Learning probabilistic decision graphs ». International Journal of Approximate Reasoning 42, no 1-2 (mai 2006) : 84–100. http://dx.doi.org/10.1016/j.ijar.2005.10.006.
Texte intégralThanou, Dorina, Xiaowen Dong, Daniel Kressner et Pascal Frossard. « Learning Heat Diffusion Graphs ». IEEE Transactions on Signal and Information Processing over Networks 3, no 3 (septembre 2017) : 484–99. http://dx.doi.org/10.1109/tsipn.2017.2731164.
Texte intégralZhu, Jun. « Learning representations on graphs ». National Science Review 5, no 1 (1 janvier 2018) : 21. http://dx.doi.org/10.1093/nsr/nwx147.
Texte intégralMadhawa, Kaushalya, et Tsuyoshi Murata. « Active Learning for Node Classification : An Evaluation ». Entropy 22, no 10 (16 octobre 2020) : 1164. http://dx.doi.org/10.3390/e22101164.
Texte intégralSun, Yuan, Andong Chen, Chaofan Chen, Tianci Xia et Xiaobing Zhao. « A Joint Model for Representation Learning of Tibetan Knowledge Graph Based on Encyclopedia ». ACM Transactions on Asian and Low-Resource Language Information Processing 20, no 2 (30 mars 2021) : 1–17. http://dx.doi.org/10.1145/3447248.
Texte intégralPiao, Yinhua, Sangseon Lee, Dohoon Lee et Sun Kim. « Sparse Structure Learning via Graph Neural Networks for Inductive Document Classification ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 10 (28 juin 2022) : 11165–73. http://dx.doi.org/10.1609/aaai.v36i10.21366.
Texte intégralMonka, Sebastian, Lavdim Halilaj et Achim Rettinger. « A survey on visual transfer learning using knowledge graphs ». Semantic Web 13, no 3 (6 avril 2022) : 477–510. http://dx.doi.org/10.3233/sw-212959.
Texte intégralXie, Anze, Anders Carlsson, Jason Mohoney, Roger Waleffe, Shanan Peters, Theodoros Rekatsinas et Shivaram Venkataraman. « Demo of marius ». Proceedings of the VLDB Endowment 14, no 12 (juillet 2021) : 2759–62. http://dx.doi.org/10.14778/3476311.3476338.
Texte intégralLee, Kwangyon, Haemin Jung, June Seok Hong et Wooju Kim. « Learning Knowledge Using Frequent Subgraph Mining from Ontology Graph Data ». Applied Sciences 11, no 3 (20 janvier 2021) : 932. http://dx.doi.org/10.3390/app11030932.
Texte intégralZhao, Jianan, Xiao Wang, Chuan Shi, Binbin Hu, Guojie Song et Yanfang Ye. « Heterogeneous Graph Structure Learning for Graph Neural Networks ». Proceedings of the AAAI Conference on Artificial Intelligence 35, no 5 (18 mai 2021) : 4697–705. http://dx.doi.org/10.1609/aaai.v35i5.16600.
Texte intégralGarcia-Hernandez, Carlos, Alberto Fernández et Francesc Serratosa. « Learning the Edit Costs of Graph Edit Distance Applied to Ligand-Based Virtual Screening ». Current Topics in Medicinal Chemistry 20, no 18 (24 août 2020) : 1582–92. http://dx.doi.org/10.2174/1568026620666200603122000.
Texte intégralZhang, Kainan, Zhipeng Cai et Daehee Seo. « Privacy-Preserving Federated Graph Neural Network Learning on Non-IID Graph Data ». Wireless Communications and Mobile Computing 2023 (3 février 2023) : 1–13. http://dx.doi.org/10.1155/2023/8545101.
Texte intégralVaghani, Dev. « An Approch for Representation of Node Using Graph Transformer Networks ». International Journal for Research in Applied Science and Engineering Technology 11, no 1 (31 janvier 2023) : 27–37. http://dx.doi.org/10.22214/ijraset.2023.48485.
Texte intégralRuf, Verena, Anna Horrer, Markus Berndt, Sarah Isabelle Hofer, Frank Fischer, Martin R. Fischer, Jan M. Zottmann, Jochen Kuhn et Stefan Küchemann. « A Literature Review Comparing Experts’ and Non-Experts’ Visual Processing of Graphs during Problem-Solving and Learning ». Education Sciences 13, no 2 (19 février 2023) : 216. http://dx.doi.org/10.3390/educsci13020216.
Texte intégralPeng, Yun, Byron Choi et Jianliang Xu. « Graph Learning for Combinatorial Optimization : A Survey of State-of-the-Art ». Data Science and Engineering 6, no 2 (28 avril 2021) : 119–41. http://dx.doi.org/10.1007/s41019-021-00155-3.
Texte intégralReba, Kristjan, Matej Guid, Kati Rozman, Dušanka Janežič et Janez Konc. « Exact Maximum Clique Algorithm for Different Graph Types Using Machine Learning ». Mathematics 10, no 1 (28 décembre 2021) : 97. http://dx.doi.org/10.3390/math10010097.
Texte intégral