Zobrazeno 1 - 10
of 31
pro vyhledávání: '"Peng, Ciyuan"'
Autor:
Shehzad, Ahsan, Xia, Feng, Abid, Shagufta, Peng, Ciyuan, Yu, Shuo, Zhang, Dongyu, Verspoor, Karin
Graph transformers are a recent advancement in machine learning, offering a new class of neural network models for graph-structured data. The synergy between transformers and graph learning demonstrates strong performance and versatility across vario
Externí odkaz:
http://arxiv.org/abs/2407.09777
Multimodal data pervades various domains, including healthcare, social media, and transportation, where multimodal graphs play a pivotal role. Machine learning on multimodal graphs, referred to as multimodal graph learning (MGL), is essential for suc
Externí odkaz:
http://arxiv.org/abs/2402.05322
With the explosive growth of artificial intelligence (AI) and big data, it has become vitally important to organize and represent the enormous volume of knowledge appropriately. As graph data, knowledge graphs accumulate and convey knowledge of the r
Externí odkaz:
http://arxiv.org/abs/2303.13948
Quantum theory has shown its superiority in enhancing machine learning. However, facilitating quantum theory to enhance graph learning is in its infancy. This survey investigates the current advances in quantum graph learning (QGL) from three perspec
Externí odkaz:
http://arxiv.org/abs/2302.00892
Publikováno v:
2022 IEEE International Conference on Data Mining Workshops (ICDMW)
An expeditious development of graph learning in recent years has found innumerable applications in several diversified fields. Of the main associated challenges are the volume and complexity of graph data. The graph learning models suffer from the in
Externí odkaz:
http://arxiv.org/abs/2202.10679
Publikováno v:
Computer Science and Information Systems. 18(1):303-321, 2021
Metaphor is widely used in human communication. The cohort of scholars studying metaphor in various fields is continuously growing, but very few work has been done in bibliographical analysis of metaphor research. This paper examines the advancements
Externí odkaz:
http://arxiv.org/abs/2105.00714
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Transactions on Neural Networks and Learning Systems; September 2024, Vol. 35 Issue: 9 p11761-11772, 12p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.