AITOP

图神经网络

共 34 条相关 AI 资讯
7月10日
11:27
11:27官方账号arXiv cs.LG@Wenxiu Ding, Muzhi Liu, Zheng Yan, Mingjun Wang, Yifan Zhao, Qiao Liu
EdgeRefine是一种面向图结构数据的本地差分隐私框架，通过Jaccard相似度估计边存在概率，并利用隐私预算ε(如2.5)动态调整真边与假边比例。在ACM数据集上使用GAT模型时，节点分类准确率较当前最优方法提升17.8%；在Cora数据集上使用GCN模型时提升19.7%。图分类任务中，其准确率相比无噪声基线仅下降约5%。在对抗图重构攻击时，Cora和AMAP数据集上的相对绝对误差均值分别达1.962和1.472，显著优于其他隐私保护方法。
论文EdgeRefine图神经网络差分隐私Jaccard采样隐私保护
推荐理由：这篇论文提出了EdgeRefine，用Jaccard采样搞定图数据隐私保护，准确率比现有方法高出近20%，而且抗攻击能力很强，搞图神经网络的该看看。
原文
7月9日
09:57
09:57官方账号arXiv cs.LG@Eitan Levin, Venkat Chandrasekaran
该论文提出使用随机采样映射（如替换采样、随机分箱、物种采样）来比较不同大小的输入（如点云点数量不同、序列token长度不同、图节点数不同）。通过分析领域内问题实例的对称性，确定了每种采样类型的适用场景。框架给出了函数类连续性的显式泛化率和草图化率，涵盖序列、图和张量上的函数族。具体例子包括矩多项式、同态密度、置换不变Transformer和图神经网络。
论文采样泛化图神经网络TransformerSketching
推荐理由：这篇论文提出了一个统一的采样框架，帮你理解模型在不同大小输入上的泛化能力，还能把大输入压缩成小输入来节省计算，例子涵盖Transformer和图神经网络。
原文
09:45
7月8日
10:07
7月3日
09:03
6月29日
10:08
10:08官方账号arXiv cs.AI@Liming Liu, Chao Hu, Mingfei Lu, Yiwei Ge, Xingle Li, Heyuan Shi
ADC-GNN是一个统一框架，结合扩散引导特征增强、对比表示学习和多跳谱注意力，用于少样本图欺诈检测。论文指出真实欺诈图存在稀疏不平衡监督和表示稀释问题。在三个公共基准和约6万条记录的私有电信数据集上，以1%训练设置评估，ADC-GNN持续优于原始欺诈基线及四种近期基线。额外分析验证了其稳定性、训练比例影响和模块效果。
论文ADC-GNNGraph Fraud Detection图神经网络欺诈检测少样本学习
推荐理由：这篇论文提出了ADC-GNN，在少样本场景下用扩散对比学习搞定图欺诈检测，三个公开基准上比现有方法都好，做风控的朋友可以看看
原文
6月19日
11:41
11:41官方账号arXiv cs.AI@Ruizhong Qiu, Yinglong Xia, Dongqi Fu, Hanqing Zeng, Ren Chen, Xiangjun Fan, Hong Li, Hong Yan, Hanghang Tong
G2Rec是一个面向工业级生成式推荐的可扩展框架，通过统一全局图协同建模与语义标记化，解决了现有方法难以同时注入用户行为与物品语义上下文的问题。在公共数据集和产品线在线部署实验中，G2Rec在推荐准确性上优于基于图序列化和图神经网络的基线方法。该框架无需用户真实兴趣标签即可生成语义化的用户兴趣原型，从而提升序贯推荐的上下文建模能力。
论文G2Rec生成式推荐图神经网络语义标记化用户兴趣建模
推荐理由：这篇论文提出了G2Rec框架，能更精准地建模用户兴趣，在工业推荐场景中效果优于现有方法。
原文
6月18日
10:58
10:38
10:37
10:37官方账号arXiv cs.LG@Michael Detzel, Gabriel Nobis, Kristiyan Blagov, Juri Schubert, Jackie Ma, Wojciech Samek
INDEQS是一种基于图的神经控制微分方程时间序列预测方法，在架构中分别应用先验有向图信息于内混合（隐藏状态混合）和外混合（向量场与控制信号混合）。该方法提供轻量级图约束变体和支持自适应图卷积的学习变体。在合成的有向图连续平流模拟数据集以及真实世界的河流水位和PeMS08交通流预测任务上，INDEQS的外信息融合变体在参数量相近时，平均绝对误差持续低于未利用先验的NCDE。连续解码器相比离散卷积解码器在准确性和时间灵活性上更优。
论文INDEQSNCDE时间序列预测图神经网络控制微分方程
推荐理由：这篇论文把已知图结构嵌入神经微分方程里做时间序列预测，效果比没加图信息的NCDE更好。在河流流量和交通流数据上都有提升，对图和时序结合感兴趣可以看看。
原文
6月17日
12:00
6月16日
12:18
6月13日
11:21
6月12日
13:45
13:45官方账号arXiv cs.LG@Rodrigo de Sapienza Luna, Daniel Ratton Figueiredo
该研究提出了一种基于图神经网络（GNN）和自学习框架的无监督图聚类方法。方法通过多轮自学习迭代，每轮使用GNN生成节点表示并进行聚类，聚类结果影响下一轮的图结构。同时，每轮利用原始图构建上下文图来生成节点表示。实验表明，该方法能同时利用网络边和节点属性信息，在合成数据上优于仅依赖网络或属性的算法。多轮学习持续提升性能，且优于单轮长训练。在真实数据集上，当簇大小平衡时，该方法与现有最优方法竞争力相当。
论文图神经网络图聚类自学习节点属性网络无监督学习
推荐理由：图聚类是网络分析的基础问题，这项研究解决了同时利用网络结构和节点属性的难题。做社交网络分析、生物网络或推荐系统的研究者，可以关注这个自学习框架带来的性能提升。
原文
00:44
6月10日
10:57
10:57官方账号arXiv cs.LG@Zesheng Liu, Maryam Rahnemoonfar
精选
COGENT 是一种结合图神经网络和神经常微分方程（Neural ODE）的连续时间仿真器，专为不规则地理空间网格上的长期物理预测设计。它通过图编码器处理历史系统状态和外部强迫，生成上下文向量来初始化潜在神经ODE，从而在连续时间域中预测未来状态。该模型支持任意时间点的查询，无需逐步反馈预测状态，显著提升了长期预测的稳定性。在冰盖模拟任务中，COGENT 优于传统自回归图模型，展示了其在需要稳定长时预测场景中的潜力。
论文图神经网络神经常微分方程长期预测物理仿真冰盖模拟
推荐理由：对于从事地球科学模拟或物理仿真的研究者，COGENT 解决了不规则网格上长期预测不稳定的痛点，且支持任意时间点查询，值得在气候建模或工程仿真中尝试。
原文
09:25
09:25官方账号arXiv cs.LG@Manuel Ricardo Guevara Garban, Yves Chemisky, Étienne Prulière, Michaël Clément, Martin Abendroth, Björn Kiefer
精选
该研究提出了一种结合长短期记忆网络（LSTM）和物理信息图神经网络（GNN）的框架，用于重建非线性、历史依赖载荷下异质微结构的局部应力场。LSTM 编码宏观应力-应变序列，捕捉路径依赖的本构响应；GNN 则重建每个时间步的空间应力场。通过引入带线性热启动的相对权重策略，平衡数据驱动重建损失和离散散度平衡惩罚，解决了弹塑性区域固定权重无法收敛的问题。模型在 10,000 条非比例加载路径上训练，比有限元仿真快三个数量级，且能泛化到两倍训练长度的加载序列，累积误差仅 1.9%。由于图依赖网格连通性而非具体单元类型，训练好的代理模型可直接应用于不同单元类型和粗细网格，无需重新训练。
论文LSTM图神经网络力学场重建多尺度仿真物理信息网络
推荐理由：做多尺度仿真和材料力学计算的团队，终于有了一个能同时处理时间依赖和空间应力场的高效替代方案——比有限元快 1000 倍，还能跨网格直接迁移，建议做结构分析的开发者点开看看。
原文
6月9日
09:35
09:35官方账号arXiv cs.AI@Yao Cheng, Siqiang Luo
精选
关系深度学习（RDL）将关系数据库转换为异构图，但直接从数据库模式导出的图往往不适合图神经网络（GNN）进行关系推理。研究发现，模式派生图存在两个系统性问题：信息过载和语义碎片化。理想的图不是原始模式，而是通过受控的结构适应得到的结果。性能取决于平衡两种操作：通过过滤缓解信息过载，以及通过注入修复语义碎片。基于这些发现，研究者开发了一个端到端的结构优化器，可自动调整关系图。在26个任务（分类、回归、推荐）上，优化后的图一致提升了准确率，同时常能降低推理成本。
论文图神经网络关系深度学习结构优化信息过载语义碎片化
推荐理由：做图神经网络或关系数据处理的团队，终于有了一个系统性的图结构优化方法，可以直接用在数据库到图的转换中，提升模型效果并节省计算资源。
原文
6月8日
09:37
09:37官方账号arXiv cs.AI@Takuto Takahashi, Itsuki Nakayama, Takahiro Mitani, Ryosuke Kikuchi, Yuya Sasaki, Makoto Onizuka
图神经网络在同配图上表现优异，但在异配图（不同类节点更易相连）上性能受限。现有GNN无法捕捉异配图中常见的高阶类标签连通性。研究者提出标签上下文分类器（LCC），通过四种随机游走生成标签上下文嵌入，捕获高阶标签连通性。LCC可与任意GNN集成，并自适应学习其重要性。实验表明，集成LCC的GNN在异配有向图上超越现有方法。
论文图神经网络异配图节点分类高阶标签连通性随机游走
推荐理由：异配图分类是GNN的长期痛点，LCC用高阶标签连通性解决了这个问题，做图分析或社交网络研究的开发者可以直接参考实验方法。
原文
6月4日
11:22
11:22官方账号arXiv cs.LG@Jose E. Escrig Molina, Baoquan Chen, Daniel Probst
精选
Graph Set Transformer (GST) 是一种专为图集（sets of graphs）学习设计的新型神经网络架构，解决了现有方法需先用GNN编码图嵌入、导致特征提取与集合上下文建模分离的瓶颈。GST在每一层交错进行节点级特征传播和图间上下文建模，并通过门控机制融合两类信息。在合成数据集和三个真实基准（原子反应中心识别、反应产率预测、图像分类）上，GST在相同参数量下优于DeepSets、SetTransformer等基线。消融实验表明，局部与集合上下文的交错融合是性能提升的关键。
论文图神经网络集合学习Graph Set Transformer架构创新图集
推荐理由：做图神经网络或集合学习的研究者，GST解决了图集任务中局部与全局信息割裂的痛点，代码已开源，值得复现对比。
原文
11:04
11:04官方账号arXiv cs.LG@Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier
RIDE 是一个针对铁路延误预测的开放数据集与基准，覆盖比利时全国铁路网，包含 9450 万次列车事件、360 万次行程和 3570 万条天气记录（2023-2025 年）。它标准化了预测任务、训练测试数据及评估协议，支持模型间直接比较。基于该基准，研究首次全面对比了非学习、统计学习和深度学习模型，发现图神经网络平均表现最佳，但最强学习模型间差距不大。该框架还提供按预测时长和延误变化的细分分析，有助于深入理解模型行为。
论文铁路延误预测开放数据集基准测试图神经网络比利时铁路
推荐理由：铁路延误预测终于有了标准化数据集和评估基准，做交通预测或时序建模的研究者可以直接用 RIDE 来测试和对比模型，省去自己收集数据的麻烦。
原文
6月2日
11:15
11:15官方账号arXiv cs.LG@Reda Snaiki, Abdelatif Merabtine
该研究提出一种不确定性感知的图神经网络框架，用于从稀疏传感器重建城市每日最高温度场，并支持距离约束的传感器布局和概率超限映射。模型采用图注意力机制和均值-残差架构，通过高斯负对数似然训练，同时预测温度场和空间变化的不确定性场。在蒙特利尔地区的实验中，使用Daymet v4.1数据（1公里分辨率）和严格的时间留出验证，该GNN在10-40个传感器预算下均优于反距离加权和普通克里金法。传感器布局影响在低预算时显著，约30个传感器时达到饱和。该框架为不确定性感知的温度场重建和面向决策的热风险制图提供了有效工具。
论文图神经网络温度场重建稀疏传感器不确定性量化城市气候
推荐理由：城市气候监测和热风险分析团队终于有了一个兼顾传感器预算和布局约束的实用方案——GNN在稀疏数据下比传统插值法更准，做城市热岛效应或极端高温预警的可以直接参考。
原文
6月1日
10:26
10:26官方账号arXiv cs.LG@Daria Fomina, Daniil Krasylnikov, Alexey Boykov, Andrey Dolgovyazov, Vyacheslav Zhdanovskiy, Fedor Velikonivtsev
图神经网络（GNN）因稀疏、不规则的内存访问而性能受限。该研究从 I/O 和计算强度角度出发，将常用 GNN 层分为三类（SpMM 卷积、归约聚合、注意力层），并为每类开发了减少数据移动、提升局部性的 GPU 内核。实验显示，融合注意力内核在 Graph Transformer 上最高提速 3.9 倍（中位数 1.6 倍），GATv2 最高提速 8.5 倍（中位数 2.0 倍），峰值内存降低最多 76 倍。研究还发现图重排序对邻居并行内核更有效。所有实现作为即插即用替代方案开源，便于复现。
论文GNNGPU 内核I/O 优化图神经网络加速
推荐理由：做图神经网络训练或推理的开发者，可以直接用这些内核替换现有层，无需改模型结构就能获得数倍加速和大幅内存节省，值得一试。
原文
5月28日
11:28
11:28官方账号arXiv cs.AI@Jizhan Fang, Buqiang Xu, Zhixian Wang, Haoliang Cao, Xinle Deng, Baohua Dong, Hangcheng Zhu, Ruohui Huang, Gang Yu, Ying Wei, Guozhou Zheng, Feiyu Xiong, Haofen Wang, Huajun Chen, Ningyu Zhang
精选72°
现有记忆增强型LLM智能体通常将记忆视为静态仓库，在动态环境中表现脆弱。为此，研究者提出FluxMem框架，将记忆建模为异构图，并通过初始连接形成、反馈驱动精炼和长期巩固三个阶段逐步优化拓扑结构。在执行过程中，FluxMem能自动修复缺失链接、剪枝干扰、对齐抽象粒度，并将成功轨迹蒸馏为可复用的程序化回路。在LoCoMo、Mind2Web和GAIA三个基准测试中，FluxMem均取得最先进性能，展现出强大的适应性和泛化能力。代码已开源。
论文LLM智能体记忆增强图神经网络开源/仓库动态环境
推荐理由：FluxMem解决了LLM智能体在动态环境中记忆僵化的痛点，做复杂任务自动化的开发者可以直接参考其开源实现，提升智能体的长期记忆和适应能力。
原文
5月26日
11:48
11:48官方账号arXiv cs.AI@Jinsheng Guo, Zhenhao Weng, Yibo Liu, Yan Qiao, Meng Li
精选
图欺诈检测中，欺诈者常通过与正常用户伪造大量连接来稀释欺诈信号，导致GNN检测失效。现有方法虽引入LLM提供语义线索，但未深入挖掘可疑连接背后的真实意图。L2IR框架通过LLM从用户行为和可疑连接中提取意图感知表示，区分支持性连接与误导性连接，并采用自适应自训练增强鲁棒性。在两个真实数据集上，L2IR将AUPRC提升高达8.27%，可作为GNN检测器的即插即用增强模块。
论文图神经网络欺诈检测大语言模型意图推理自训练
推荐理由：图欺诈检测从业者终于有了对抗伪装连接的新武器——L2IR用LLM拆穿欺诈意图，直接提升检测精度，做反欺诈系统的团队值得一试。
原文
5月25日
10:00
10:00官方账号arXiv cs.LG@Ping Xiong, Thomas Schnake, Michael Gastegger, Grégoire Montavon, Klaus-Robert Müller, Shinichi Nakajima
精选
图神经网络（GNN）的可解释性对安全、公平和鲁棒性至关重要。GNN-LRP方法通过评估路径相关性提供高阶解释，优于节点/边级解释，但计算复杂度随网络深度指数增长。本文提出基于最大积算法的多项式时间算法，能在神经元级别精确、节点级别近似地找到最相关的K条路径，大幅降低计算成本。实验在流行病学、分子和自然语言基准上验证了算法的可扩展性和实用性。代码已开源。
论文图神经网络可解释性路径搜索多项式时间算法开源/仓库
推荐理由：做GNN可解释性研究的团队终于有了高效工具——多项式时间算法让GNN-LRP从理论走向大规模应用，做图分析或模型调试的开发者可以直接用开源代码试试。
原文
5月21日
12:25
12:25官方账号arXiv cs.LG@André Ribeiro, Ana Luiza Tenório, Tiago da Silva, Diego Mesquita
精选
传统图神经网络（GNN）处理节点特征时，通常假设特征是实数向量，但许多场景下节点特征更适合用概率分布（如高斯分布）表示。直接拼接均值和协方差矩阵会丢失几何与代数结构。研究者提出高斯层神经网络（GSNN），基于细胞层理论推导出新的拉普拉斯算子，保留关键数学性质，并在合成和真实数据上验证了有效性。这项工作为处理不确定性或噪声数据的图学习提供了新思路。
论文图神经网络高斯分布细胞层理论拉普拉斯算子概率建模
推荐理由：做图学习或处理带噪声/不确定性数据的团队，GSNN 提供了一种保留概率结构的新方法，值得关注其理论推导和实验效果。
原文
12:05
12:05官方账号arXiv cs.LG@Yi Huang, Qingyun Sun, Jia Li, Xingcheng Fu, Jianxin Li
精选
关系深度学习（RDL）通过将关系数据库建模为图并应用图神经网络（GNN）进行端到端学习，但现有方法多依赖固定图结构，限制了表达能力。本文提出FROG框架，将关系结构学习转化为可学习的表角色建模问题，允许表作为节点和边参与消息传递，并设计角色驱动消息传递机制以捕捉关系语义。FROG还引入函数依赖约束，确保表与实体级别的表示一致性。实验表明，FROG在多个任务上超越现有方法，并揭示了表角色对下游任务的影响，为RDL的图构建提供了新见解。
论文关系深度学习图神经网络图结构学习关系数据库FROG
推荐理由：FROG解决了RDL中固定图结构无法优化的问题，做关系数据库和图神经网络结合的研究者可以直接用这个框架提升模型效果，值得深入阅读。
原文
5月20日
11:39
11:39官方账号arXiv cs.LG@Thien Le, Melanie Weber
精选
本文研究了在组合优化任务中，如何将大型模型的知识蒸馏到更小、更高效的模型。作者假设目标模型是图神经网络，其架构与任务的动态规划算法对齐。基于决策树蒸馏的最新理论分析，论文证明了当源模型足够丰富（通过线性表示假设形式化）时，蒸馏问题可以在动态规划转移函数的复杂度参数内高效解决。该工作为算法对齐框架下的成功蒸馏提供了严格充分条件。
论文蒸馏组合优化图神经网络算法对齐动态规划
推荐理由：组合优化任务通常依赖大型模型，但部署成本高。本文给出了理论保证，让做图神经网络和算法对齐的开发者知道何时可以安全地蒸馏到小模型，值得关注。
原文
10:40
10:40官方账号arXiv cs.AI@Franco Terranova, Guillermo Bernardez, Albert Cabellos-Aparicio, Nina Miolane, Abdelkader Lahmadi
精选
图组合优化（GCO）问题因NP难特性而难以精确求解，现有基于强化学习（RL）和图神经网络（GNN）的方法在泛化性和计算可扩展性上存在局限。本文提出Projection Agents，直接在连续GNN动作嵌入空间中预测潜在动作，并通过单次前向传播解码为有效离散动作，避免了传统逐步搜索的开销。该方法在多个基准上实现最高16.2倍推理加速和40%更好的泛化性能，尤其适用于超线性决策空间。同时，作者开源了LaGCO-RL库，支持自动构建潜在动作空间并兼容现有RL-GCO方案，便于复现和适配新问题。
论文图组合优化强化学习图神经网络潜在动作空间开源/仓库
推荐理由：做图组合优化或RL求解NP-hard问题的研究者，这篇论文解决了泛化差和扩展性瓶颈，16倍加速和40%泛化提升值得一试，开源库还能直接复用。
原文
5月19日
14:37
14:37官方账号arXiv cs.AI@Michael Aichmüller, Simon Ståhlberg, Martin Funkquist, Hector Geffner
精选
该研究针对经典规划中的通用策略学习问题，改进了迭代宽度（IW）策略。现有IW方法在评估每个转移时计算成本高且表达能力有限，尤其在对象数量大时效率低下。作者提出两种改进：一是对整个搜索树进行高效整体编码，仅通过状态间的关系差异表示IW(1)可达状态，使关系图神经网络（R-GNN）能单次前向传播评分所有转移；二是定义抽象IW(1)，通过类型抽象原子进行新颖性检查，将缩放从原子数转向对象数。在IPC 2023基准测试和多个领域上，新方法达到了最先进性能，显著超越包括经典规划器LAMA在内的先前工作。
论文经典规划图神经网络迭代宽度抽象化通用策略学习
推荐理由：经典规划研究者终于有了可扩展的通用策略学习方法——新方法解决了IW策略在大规模问题上的计算瓶颈，做AI规划或强化学习的团队可以直接参考其编码思路。
原文
11:26
11:26官方账号arXiv cs.AI@Luu Huu Phuc, Ratan Bahadur Thapa, Mojtaba Nayyeri, Jingcheng Wu, Evgeny Kharlamov, Steffen Staab
精选
本文提出GA-S2S框架，将T5-small编码器-解码器与关系图注意力网络（RGAT）结合，用于知识图谱链接预测。现有Seq2Seq模型仅依赖实体和关系的文本描述，最多将查询实体的邻域展平为线性序列，丢失了图结构信息。GA-S2S同时编码文本特征和查询实体周围的完整k跳子图拓扑，通过融合原始编码器输出与RGAT的关系感知嵌入，捕获更丰富的多跳关系模式和文本信息。在CoDEx数据集上的初步实验表明，GA-S2S相比竞争性的Seq2Seq基线模型，链接预测准确率最高提升19%。
论文知识图谱链接预测图神经网络Seq2SeqT5
推荐理由：做知识图谱推理或链接预测的团队，GA-S2S用图结构补上了Seq2Seq模型的盲区，效果提升明显，值得在CoDEx等数据集上复现试试。
原文
5月18日
10:33
10:33官方账号arXiv cs.LG@Abhijatmedhi Chotrattanapituk, Ryotaro Okabe, Eunbi Rha, Mariya Al-Hinai, Eugene Jiang, Daniel Pajerowski, Yongqiang Cheng, Joshua J. Turner, Mingda Li
精选
研究人员提出了磁性结构网络（MSN），这是一种E(3)等变图神经网络，能够直接从原子晶体结构预测共线和非共线磁性结构。该模型基于MAGNDATA实验数据训练，并引入原始调制结构表示（PMSR），统一编码了共度和非共度磁性结构，无需对称性假设。MSN在所有调制分量上表现优异，能够高保真地重建实验磁性结构。该方法为快速磁性结构预测提供了可扩展框架，有望推动数据驱动的磁性材料发现。
论文磁性结构预测图神经网络E(3)等变MAGNDATA材料发现
推荐理由：磁性结构预测长期依赖昂贵实验或复杂第一性原理计算，MSN用图神经网络直接预测，精度接近实验，做磁性材料或凝聚态物理的团队值得关注，可以大幅加速筛选流程。
原文
5月11日
11:42
11:42官方账号arXiv cs.LG（学术论文）
GRAPHLCP是一种用于图神经网络（GNN）的局部化共形预测框架，能够提供分布无关的不确定性量化保证。现有方法仅依赖嵌入空间邻近性进行局部化，但对图结构不可靠且效率低。GRAPHLCP通过特征感知致密化缓解稀疏图局部偏差，利用个性化PageRank核建模拓扑邻近性，从而捕获局部和长程依赖。实验表明，该方法在有限样本下保证边际覆盖率，并在多种回归和分类数据集上实现高效的测试条件覆盖率。
论文图神经网络不确定性量化共形预测拓扑结构个性化PageRank
推荐理由：该工作将图拓扑显式融入共形预测的局部化过程，解决了图场景下传统方法嵌入邻近性不可靠的问题，为图神经网络的可靠不确定性量化提供了新方案，对需要鲁棒预测的图应用（如分子性质预测、社交网络分析）具有实用价值。
原文