Owner

AIML-K

已索引 5 个仓库 · 在 GitHub 查看

aiml-k.github.io
AIML@K lab website: https://aiml-k.github.io/

TeX · 1 个 star
lab-website

HTML · 0 个 star
jumprope-release
Jumprope project release

Python · 0 个 star
GNN_Survey
updating papers related to GNN

0 个 star
pinga999_EMNLP_2025_LOG
EMNLP_2025_LOG

0 个 star

未关闭全部

目前已索引 98 个未关闭的 Issue

Add publications 未关闭

AIML-K/lab-website#5 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
get citation working and make a sample CV 未关闭

AIML-K/lab-website#8 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
릴리즈된 딥러닝 모듈 처리속도 문의 未关闭

AIML-K/jumprope-release#3 · 3 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
How this repository works 未关闭

good first issue

AIML-K/GNN_Survey#1 · 0 条评论 · 1 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Network Traffic Modeling and Prediction Using Graph Gaussian Processes 未关闭

paper

AIML-K/GNN_Survey#2 · 5 条评论 · 1 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Graph neural bayesian optimization for virtual screening 未关闭

paper

AIML-K/GNN_Survey#3 · 8 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Bayesian optimisation of functions on graphs 未关闭

paper

AIML-K/GNN_Survey#4 · 5 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Graph Neural Network Powered Bayesian Optimization for Large Molecular Spaces 未关闭

paper

AIML-K/GNN_Survey#5 · 3 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Bayesian Mesh Optimization for Graph Neural Networks to Enhance Engineering Performance Prediction 未关闭

paper

AIML-K/GNN_Survey#6 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Graph neural network-inspired kernels for gaussian processes in semi-supervised learning 未关闭

paper

AIML-K/GNN_Survey#7 · 8 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Bayesian graph neural networks with adaptive connection sampling 未关闭

paper

AIML-K/GNN_Survey#8 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Multi-relational graph representation learning with bayesian gaussian process network 未关闭

paper

AIML-K/GNN_Survey#9 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Deep spatio-temporal graph network with self-optimization for air quality prediction 未关闭

paper

AIML-K/GNN_Survey#10 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Spatial-Temporal Traffic Data Imputation via Graph Attention Convolutional Network 未关闭

paper

AIML-K/GNN_Survey#11 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Practical Molecular Optimization (PMO) benchmark 未关闭

AIML-K/GNN_Survey#12 · 0 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Paper List Related to Robust GNNs Against Label Noises 未关闭

documentation

AIML-K/GNN_Survey#13 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Adversarial label-flipping attack and defense for graph neural networks 未关闭

code paper

AIML-K/GNN_Survey#14 · 7 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Towards self-explainable graph neural network 未关闭

code paper

AIML-K/GNN_Survey#15 · 9 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Unified robust training for graph neural networks against label noise 未关闭

paper

AIML-K/GNN_Survey#16 · 3 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Nrgnn: Learning a label noise resistant graph neural network on sparsely and noisily labeled graphs 未关闭

code paper

AIML-K/GNN_Survey#17 · 6 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Paper List Related to Robust Pre-training GNNs 未关闭

documentation

AIML-K/GNN_Survey#18 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Strategies for pre-training graph neural networks 未关闭

code paper

AIML-K/GNN_Survey#19 · 5 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Graph contrastive learning with augmentations 未关闭

code paper

AIML-K/GNN_Survey#20 · 5 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Graph backdoor 未关闭

code paper

AIML-K/GNN_Survey#21 · 5 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Exact Combinatorial Optimization with Graph Convolutional Neural Network 未关闭

paper

AIML-K/GNN_Survey#22 · 3 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
LightGCN 未关闭

paper

AIML-K/GNN_Survey#23 · 6 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Enhanced Loss Function based on Laplacian Eigenmaps for Graph Classification 未关闭

paper

AIML-K/GNN_Survey#25 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
A Laplacian regularized graph neural network for predictive modeling of multiple chronic conditions 未关闭

paper

AIML-K/GNN_Survey#26 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Graph Neural Networks with Diverse Spectral Filtering 未关闭

code paper

AIML-K/GNN_Survey#27 · 2 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
𝑝-Laplacian Based Graph Neural Networks 未关闭

code paper

AIML-K/GNN_Survey#28 · 2 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Adversarial Robustness of Graph Neural Networks 未关闭

paper

AIML-K/GNN_Survey#29 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Spectral Adversarial Training for Robust Graph Neural Networks 未关闭

code paper

AIML-K/GNN_Survey#30 · 2 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Robust Graph Neural Networks using Weighted Graph Laplacian 未关闭

code paper

AIML-K/GNN_Survey#31 · 2 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Robustifying GNN Via Weighted Laplacian 未关闭

paper

AIML-K/GNN_Survey#32 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Enhancing Robustness of Graph Neural Networks through p-Laplacian 未关闭

paper

AIML-K/GNN_Survey#33 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Enhancing Node-Level Adversarial Defenses by Lipschitz Regularization of Graph Neural Networks 未关闭

paper

AIML-K/GNN_Survey#34 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Robust Regularization Design of Graph Neural Networks Against Adversarial Attacks Based on Lyapunov Theory 未关闭

paper

AIML-K/GNN_Survey#35 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Towards Stable, Globally Expressive Graph Representations with Laplacian Eigenvectors 未关闭

paper

AIML-K/GNN_Survey#36 · 1 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
Generative Contrastive Graph Learning for Recommendation 未关闭

paper

AIML-K/GNN_Survey#37 · 5 条评论 · 0 个 reaction · 已指派 1 人 · 索引于 2026年9月13日
GOAL1 未关闭

AIML-K/pinga999_EMNLP_2025_LOG#1 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Semantic Networks Extracted from Students’ Think-Aloud Data are Correlated with Students’ Learning Performance (EDU LLM) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#2 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Pre-trained Language Models Learn Remarkably Accurate Representations of Numbers (mathLLM) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#3 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
A text based recommender system that leverages explici affective state preferences (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#4 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Evaluating and aligning himan economic risk preference (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#5 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
FISTAPrunner : layer wise post training pruning for LLM (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#6 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
FISTAPruner : layer wise post training pruning for LLM (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#7 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
SEPS : A separability Measure ot Robust Unlearning in LLMs (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#8 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
R-TOFU: Unlearning in Large Reasoning Models (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#9 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
A Fully Probabilistic Perspective on Large Language Model Unlearning: Evaluation and Optimization (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#10 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日
Layer-Aware Representation Filtering: Purifying Finetuning Data to Preserve LLM Safety Alignment (테마) 未关闭

paper

AIML-K/pinga999_EMNLP_2025_LOG#11 · 0 条评论 · 0 个 reaction · 已指派 0 人 · 索引于 2026年9月13日

AIML-K

把新 issue 发到你的邮箱