ICPP_22_Power_Constrained_Autotuning_using_Graph_Neural_Networks
收藏NIAID Data Ecosystem2026-03-13 收录
数据链接：
官方服务：
资源简介：
Dataset for paper submission to ICPP 22
应用场景：
创建时间：
2022-04-23
相关数据集
SURF
SURF数据集由苏黎世联邦理工学院创建，旨在评估图神经网络在流体动力学模拟中的泛化能力。该数据集包含7个大规模的2D流体流动模拟数据集，每个数据集至少包含1200个独立数据点。SURF数据集设计用于测试模型在不同环境设置下的适应性，如网格分辨率、参数范围、拓扑结构和动态模拟环境。通过这些数据集，研究者可以评估和比较不同模型在流体动力学预测中的性能和泛化能力，从而推动机器学习在流体模拟领域的应用。
arXiv2023-11-20 更新2540
Codes and datasets for AAAI 2021 paper "Learning to Pre-train Graph Neural Networks"
This record contains the dataset and codes to reproduce the published paper. Please refer to the live GitHub repository (https://github.com/rootlu/L2P-GNN) for more information. A copy of the GitHub r
DataCite Commons2022-10-25 更新100
GDL-DS: A Benchmark for Geometric Deep Learning under Distribution Shifts
The following contains the datasets described in the paper: GDL-DS: A Benchmark for Geometric Deep Learning under Distribution Shifts, and the associated code can be found at https://github.com/Graph-
Zenodo2023-11-06 更新50
StructureSAT
StructureSAT是一个大规模的饱和问题（SAT）数据集，由新南威尔士大学计算机科学与工程学院创建。该数据集包含来自不同问题领域的多样化SAT问题，旨在研究图神经网络（GNN）在SAT问题上的泛化能力。数据集涵盖了随机、设计、伪工业和工业等11个SAT领域，并研究了9种对传统SAT求解器有影响的图形结构属性。数据集通过结构属性对问题领域进行细分，以研究不同结构属性对GNN求解器泛化能力的影响
arXiv2025-02-17 更新110
Neural Force Field Model Checkpoints
Graph neural network model checkpoints accompanying the paper "Neural Scaling of Deep Chemical Models"
Figshare2022-05-13 更新60
