TabGraphs: A Benchmark and Strong Baselines for Learning on Graphs with Tabular Node Features

Публикации

?

TabGraphs: A Benchmark and Strong Baselines for Learning on Graphs with Tabular Node Features

P. 1–26.

Баженов Г. В., Платонов О. А., Прохоренкова Л. А.

Язык: английский

DOI

Текст на другом сайте

В книге

38th Conference on Neural Information Processing Systems (NeurIPS 2024)

[б.и.], 2024.

Local Fault-Tolerant Routing in 3D Mesh NoCs using Single-Hop Rollback

Edward R. Rzaev, Aleksandr Y. Romanov, Andrey M. Sukhov, IEEE Access 2026 Vol. 14 P. 112184–112201

Добавлено: 23 июля 2026 г.

RussianSuperGLUE: A Russian Language Understanding Evaluation Benchmark

Shavrina T., Феногенова А. С., Emelyanov A. и др., , in: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP).: Association for Computational Linguistics, 2020. P. 4717–4726.

Добавлено: 14 июня 2026 г.

HoTPP benchmark: Are we good at the long horizon events forecasting?

Karpukhin I., Шипилов Ф. А., Савченко А. В., Neurocomputing 2026 Vol. 672 Article 132771

Добавлено: 25 февраля 2026 г.

ComputAgeBench: Epigenetic Aging Clocks Benchmark

Kriukov D., Efimov E., Kuzmina E. и др., , in: KDD '25: Proceedings of the 31th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Volume 2.: Association for Computing Machinery (ACM), 2025. P. 5560–5570.

Добавлено: 12 января 2026 г.

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data

Баженов Г. В., Платонов О. А., Прохоренкова Л. А., , in: 39th Conference on Neural Information Processing Systems (NeurIPS 2025).: NeurIPS, 2025.

Добавлено: 6 ноября 2025 г.

Evaluating the Pragmatic Competence of Large Language Models in Detecting Mitigated and Unmitigated Types of Disagreement

Шульгинов В. А., Hasan Berkcan Şimşek, Sergei Kudriashov и др., , in: Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference “Dialogue” (2025)Issue 23.: [б.и.], 2025. P. 345–360.

В настоящем исследовании представлена методика оценки эффективности больших языковых моделей (БЯМ) в области выявления несогласия, включая широкий диапазон стратегий его выражения — от смягченных форм до явной вербальной агрессии. Особое внимание уделяется сложным случаям имплицитных проявлений иронии и сарказма, представляющим значительные трудности как для автоматического анализа, так и для межличностного общения. Экспериментальное тестирование БЯМ проводилось ...

Добавлено: 30 апреля 2025 г.

Bi-objective Workflow Scheduling in the Cloud: What is the Real State-of-the-Art?

Yury Semenov, Oleg Sukhoroslov, , in: Supercomputing. 10th Russian Supercomputing Days, RuSCDays 2024, Moscow, Russia, September 23–24, 2024, Revised Selected Papers, Part II* 2.: Springer, 2025. P. 20–31.

Добавлено: 25 апреля 2025 г.

OmniDialog: A Multimodal Benchmark for Generalization Across Text, Visual, and Audio Modalities

Razzhigaev A., Kurkin M., Гончарова Е. Ф. и др., , in: Proceedings of the 2nd GenBench Workshop on Generalisation (Benchmarking) in NLP.: Association for Computational Linguistics, 2024. P. 183–195.

Добавлено: 21 февраля 2025 г.

MERA: A Comprehensive LLM Evaluation in Russian

Феногенова А. С., Chervyakov, A., Martynov N. и др., , in: Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) 2024Vol. 1: Long Papers.: Bangkok: Association for Computational Linguistics, 2024. P. 9920–9948.

Добавлено: 17 февраля 2025 г.

RuBLiMP: Russian Benchmark of Linguistic Minimal Pairs

Taktasheva E., Бажуков М. О., Koncha K. и др., , in: Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing.: Association for Computational Linguistics, 2024. P. 9268–9299.

Добавлено: 2 января 2025 г.

PhyloBench: A Benchmark for Evaluating Phylogenetic Programs

Спирин С. А., Sigorskikh A., Efremov A. и др., Molecular Biology and Evolution 2024 Vol. 41 No. 6 Article msae084

Phylogenetic inference based on protein sequence alignment is a widely used procedure. Numerous phylogenetic algorithms have been developed, most of which have many parameters and options. Choosing a program, options, and parameters can be a nontrivial task. No benchmark for comparison of phylogenetic programs on real protein sequences was publicly available. We have developed PhyloBench, ...

Добавлено: 7 августа 2024 г.

Evaluating Robustness and Uncertainty of Graph Models Under Structural Distributional Shifts

Баженов Г. В., Kuznedelev D., Malinin A. и др., , in: Advances in Neural Information Processing Systems 36 (NeurIPS 2023).: Curran Associates, Inc., 2023. P. 75567–75594.

Добавлено: 7 февраля 2024 г.

TAPE: Assessing Few-shot Russian Language Understanding

Такташева Е. В., Shavrina T., Fenogenova A. и др., , in: Findings of the Association for Computational Linguistics: EMNLP 2022.: Association for Computational Linguistics, 2022. P. 2472–2497.

Добавлено: 22 сентября 2023 г.

SimVec: predicting polypharmacy side effects for new drugs

Лукашина Н. Б., Картышева Е. Н., Spjuth O. и др., Journal of Cheminformatics 2022 Vol. 14 Article 49

Добавлено: 11 октября 2022 г.

JONNEE: Joint Network Nodes and Edges Embedding

Макаров И. А., Korovina K., Киселёв Д. А., IEEE Access 2021 Vol. 9 P. 144646–144659

Recently, graph embedding models significantly improved the quality of graph machine learning tasks, such as node classification and link prediction. In this work, we propose a model called JONNEE (JOint Network Nodes and Edges Embedding), which learns node and edge embeddings under self-supervision via joint constraints in a given graph and its edge-to-vertex dual representation ...

Добавлено: 30 октября 2021 г.