"Graph Neural Networks" by Anvith Pothula is a free intelligent, interactive textbook online with 27 chapters across 6 parts. It covers from prerequisites through graph foundation models in 282 concepts in a dependency graph.
https://anvithpothula.github.io/graph-neural-networks-textbook/chapters/
🚀 Excited to share that a survey paper from our RCLN team has been accepted at IJCAI 2026! This work has been done in collaboration with CentraleSupélec.
"Graph Rewiring in GNNs to Mitigate Over-Squashing and Over-Smoothing: A Survey" By Hugo Attali, Nathalie Pernelle, Davide Buscaldi, and Fragkiskos D. Malliaros.
📎 https://arxiv.org/abs/2411.17429
Graph Neural Networks are powerful models for learning from graph-structured data, yet their effectiveness is often limited by two critical challenges: over-squashing, where information from distant nodes is excessively compressed, and over-smoothing, where repeated propagation makes node representations indistinguishable. Both phenomena stem from the interaction between message passing and the input topology, ultimately degrading information flow and limiting the performance of GNNs.Our survey also opens a broader discussion on the limits and open questions of graph rewiring: when is modifying the topology truly necessary? How can observed improvements be properly attributed to connectivity changes rather than feature-driven effects? We argue that progress in this area will require clearer problem formulations, more explicit assumptions, and evaluation protocols that make results robust and comparable across settings positioning graph rewiring as a principled structural intervention to better understand how topology shapes learning in GNNs.
Looking forward to presenting our work at IJCAI 2026 at Bremen!
#GNN #MachineLearning #IJCAI2026 #GraphNeuralNetworks #AI #DeepLearning #Research #LIPN
Graph Neural Networks are powerful models for learning from graph-structured data, yet their effectiveness is often limited by two critical challenges: over-squashing, where information from distant nodes is excessively compressed, and over-smoothing, where repeated propagation makes node representations indistinguishable. Both phenomena stem from the interaction between message passing and the input topology, ultimately degrading information flow and limiting the performance of GNNs. In this survey, we examine graph rewiring techniques, a class of methods designed to modify the graph topology to enhance information propagation in GNNs. We provide a comprehensive review of state-of-the-art rewiring approaches, delving into their theoretical underpinnings, practical implementations, and performance trade-offs.
*Artigos científicos* 2/2
Uma metodologia de #aprendizadoprofundo #deeplearning de baixo custo que integra o #OpenStreetMap para tarefas de #urbanismo em múltiplas áreas. Vetores #OSM servem como máscaras de referência para #imagens de satélite para previsões via #CNN e #GNN. Precisão >90%.
Os novos produtos de #sensoriamentoremoto precisam de #geodados #vetoriais. Daí o interesse em investir na completude + homogeneidade dos dados #OSM
https://www.nature.com/articles/s41598-026-45927-x
*Scientific papers* 2/2
A #lowcost #deeplearning methodology integrating #OpenStreetMap for #urban planning tasks across multiple domains. #OSM #vectors serve as reference masks for #satelliteimagery to enable predictions via #CNN and #GNN. Accuracy >90%.
New #remotesensing products require #vector #geodata. Hence the value of investing in the completeness and consistency of #OSM data
https://www.
nature.com/articles/s41598-026
*Articles scientifiques* 2/2
Une méthodologie #lowcost d'apprentissage profond intégrant #OpenStreetMap pour tâches #urbanisme multidomaines. Vecteurs #OSM servent de masques de référence #imageriesatellite pour prédictions via #CNN et #GNN. Précision >90 %.
Les nouveaux produits #teledetection ont besoin de #geodata #vecteur. D’où intérêt investir dans complétude + homogénéité données #OSM
ML против ядерных отходов. Как мы ускорили вычисление свойств карбидов технеция с помощью нейросетей
Привет Хабр! Меня зовут Радион Зарипов, я — аспирант программы «Науки о материалах» в Сколтехе и прохожу в настоящее время стажировку в Sber AI. Значительная часть работы, о которой пойдет речь, была выполнена мной во время летней практики в AIRI, в группе «Дизайн новых материалов», которая исследует возможности применения вычислительных подходов к прогнозированию новых материалов. Совместно с моими коллегами из Сколтеха, AIRI, Sber AI, РХТУ и ИФХЭ РАН мы недавно опубликовали статью в Acta Materialia , где построили подробную фазовую диаграмму карбида технеция. Это не было бы возможным без применения графовых нейронных сетей, которые заменяют существенную часть вычислений. Здесь мне хотелось бы подробнее рассказать, что именно мы делали и с какими сложностями столкнулись. Текст получился большим и подробным, но если вам интересно, как машинное обучение постепенно меняет материаловедение, эта статья для вас.
https://habr.com/ru/companies/airi/articles/994806/
#Ядерные_отходы #Карбиды_технеция #Фазовая_диаграмма #DFT #ML #GNN
GNN (Ghost Neural Network) là tác nhân giao dịch tự chủ, chạy hoàn toàn cục bộ. Điểm khác biệt: có thể phục hồi sau khi treo, không phụ thuộc máy chủ, đảm bảo giao dịch liên tục.
#AI #TradingBot #LocalAI #GNN #CôngNghệ #Tech
https://www.reddit.com/r/LocalLLaMA/comments/1q65xo4/ghost_neural_network_gnn_autonomous_trading/
Техпроцесс при участии генеративного искусственного интеллекта на примере создания уникальных Fashion-образов
Здравствуй Хабр! с Вами Андрей — Fashion Data Scientist бренда люксовой одежды Sovereign. Хочу поделиться техпроцессом создания образа (одежды) с помощью нейросетей. Генеративный ИИ для создания одежды — уже не что‑то новое. Midjourney и Stable Diffusion запросто генерируют тысячи стильных образов. Но мы говорим о люксовом сегменте (где мы не в праве использовать стандартные подходы). Большое количество мелочей, уникальные материалы и та самая «аура» недостижимости, которая пропадает в этих самых шаблонных тысячах стоковых образах. Нашей задачей была стало создание «системы», способную генерировать не просто «красивую одежду», а концептуальные эскизы уровня Haute Couture, сохраняя при этом узнаваемость ДНК бренда и техническую осуществимость. Pipeline создания одежды при помощи ИИ
https://habr.com/ru/articles/982294/
#stablediffusion #gnn #stylegan #fashionиндустрия #мода #pipeline #генерация_изображений #стартап #искусственный_интеллект #генеративный_ии
MottG
LipnLab
SeverinGeo
Dan Stowell
Stephan Saalfeld
Habr
Reddit Tech VN Bot