AITOP

图神经网络

共 51 条相关 AI 资讯
8月12日
16:24
16:24官方账号arXiv cs.AI@Alam Noor, Luis Almeida, Mohamed Daoudi
本文提出3D-SPFES系统，利用单目RGB相机和VideoDepthAnything估计3D空间，将SPFES面部标志（如耳朵、眼睛、鼻子）嵌入3D欧几里得空间。系统采用加权几何图神经网络（WG-GNN），包含K=3层几何感知消息传递和缩放点积注意力，增强解剖相关标志间信息。节点嵌入聚为O=3个疼痛级别簇，并整合为范围[0,100%]的归一化疼痛评分（NPS）。该方法避免专用深度硬件，提升疼痛评估的3D解剖准确性。
论文3D-SPFESWG-GNN绵羊疼痛评估
推荐理由：这篇论文用3D图神经网络给绵羊做疼痛评估，不用深度相机，单摄像头就能算，比传统2D方法更准，做动物福利或AI应用可以看看。
原文
8月7日
10:03
10:03官方账号arXiv cs.LG@Dohyun Ku, Min Gu Kwak, Francisco J. Pasquel, Jing Li
研究团队提出代谢组学专用大模型MetaboLLM，通过持续预训练、监督微调和结构化检索整合生化知识。配套的MetaboLLM-GIN将生成描述转换为代谢物图，用于患者级预测。在四个骨干模型家族上，MetaboLLM在代谢组学知识、关系和描述任务上优于对应基础模型和医学适配模型。MetaboLLM-GIN在冠状动脉搭桥术后应激性高血糖预测中AUC达0.8616，在绝经后激素方案分类中AUC为0.8123，超过传统模型和替代图构建方法。模型解释还产生了具有生物学意义的发现。
论文MetaboLLMMetaboLLM-GIN代谢组学
推荐理由：做代谢组学或临床预测的可以看看，MetaboLLM把生化知识变成图谱，两个预测任务的AUC都挺能打。
原文
8月6日
11:30
11:30官方账号arXiv cs.LG@Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman
MT-GNN是一种新的纵向脑形态预测模型，通过预测每个顶点的第一基本形式（度量张量）来连续时间建模皮层下结构的形状演化，并利用可微ARAP求解器重建表面。在ADNI数据集的14个皮层下结构上，MT-GNN在所有预测时域上平均顶点误差比时间均值降低2.29%（p=6.1×10^-5），在14/14个结构上均优于基线。相比测地线形状回归DCM（-0.19%）和网格Transformer（TransforMesh，-0.45%；p=1.2×10^-4），MT-GNN的优势随预测时域延长而扩大。该方法支持任意多次历史访问和任意预测时域，实现端到端训练。
论文MT-GNNADNI脑形态测量
推荐理由：这篇论文提出了MT-GNN，用图网络预测脑结构形状随时间的演化，在ADNI上比现有方法误差低2%以上，而且预测越久优势越明显。
原文
10:26
10:26官方账号arXiv cs.LG@Zidu Yin, Yuankai Qi, Dong Gong, Ehsan Abbasnejad, Kun Yue, Javen Qinfeng Shi
该论文提出名为 IGNP 的链接预测框架，将节点对间关系建模为影响传播。方法扩展 SIR 流行病模型，通过子图结构捕捉大规模节点影响。IGNP 利用虚拟边压缩子图，显著降低全局图结构的计算开销。在公开真实数据集上，IGNP 大幅优于现有强基线。
论文IGNPSIR模型链接预测
推荐理由：这篇论文把传染病传播模型用到链接预测上，搞了个IGNP框架，在真实数据集上比现有方法强不少。
原文
8月5日
11:18
11:18官方账号arXiv cs.LG@Nelson Aloysio Reis de Almeida Passos, Emanuele Carlini, Salvatore Trani
该论文从原理、原语、池化三个视角分析时间图上的聚类问题，连接图学习与社区检测的谱理论基础。研究表明，在节点属性缺失或较弱时，基于谱聚类和多层模块度优化的传统算法仍是更合适的选择，主要瓶颈是可扩展性而非精度。当结构、时间与属性信号对齐时，图神经网络模型优势更明显。作者通过GPU加速的时间后端使谱聚类等原语具备可扩展性，并提出将社区检测作为时间图池化算子的路线。
论文时间图图聚类图神经网络
推荐理由：这篇 arXiv 论文把图神经网络和传统聚类算法掰开对比，结论很实在：没属性时谱聚类更靠谱，还给出了 GPU 加速的池化思路。
原文
8月4日
12:20
12:20官方账号arXiv cs.LG@Stefano Fiorini, Edoardo Coppola, Pietro Liò
该论文首次系统评测Sheaf Neural Networks在归纳学习下的表现，覆盖三种扩散机制、三种限制图参数化和三种茎维度。研究采用不组装重Sheaf拉普拉斯算子的消息传递重构，支持跨图批处理。作者在14个归纳数据集上完成1890组受控实验，发现限制图是主导设计选择，通用映射优于特殊映射。实验还显示，增大茎维度提升容量但无法增强长程信息传递，架构组件对性能差异的贡献超过Sheaf特定设计空间本身。匹配协议下SNN可迁移至归纳场景，但与最强基线仍有数据集相关的差距。
论文Sheaf Neural Networks图神经网络归纳学习
推荐理由：头回有人把Sheaf神经网络放到归纳任务里系统跑分，1890组实验，结论是调外围架构比调Sheaf算子更划算。
原文
09:29
8月3日
09:31
09:31官方账号arXiv cs.LG@Panupol Untarabut, Narjes Jomaa, Sylvian Cadars, Olivier Masson, Samuel Bernard, Assil Bouzid, Santanu Saha
研究用CGCNN、GATGNN、ALIGNN和M3GNet四种图神经网络，将有序钙钛矿的知识迁移到无序高熵钙钛矿氧化物（HEPOs）上。形成能预测能有效迁移，但HOMO-LUMO带隙预测因对局部化学环境敏感而迁移性有限。加入少量HEPO专属训练数据后，带隙预测精度显著提升。UMAP分析表明ALIGNN编码的三体几何信息对捕捉结构-性质关系至关重要。
论文ALIGNNCGCNN图神经网络
推荐理由：高熵钙钛矿不好算，这论文拿四种图神经网络试了迁移学习，发现形成能能搬，带隙不行，加点目标数据才准。ALIGNN表现最好。
原文
7月31日
12:14
12:14官方账号arXiv cs.LG@Jiannan Yang, Veronika Thost, Xiang Ling, Tengfei Ma
该论文提出短时图记忆模块，在固定oracle预算下更高效地筛选候选分子。模块用在线图神经网络预筛每轮候选池，将有限查询次数留给预测效用更高的分子。在标准分子优化基准上，该方法平均top-10分数提升且无额外oracle成本。在1000次调用的紧凑预算下，全部四个测试生成器均有收益。论文还分析了代理引导选择与各生成器探索/利用行为的关系。
论文分子优化图神经网络Oracle预算
推荐理由：这篇论文教你怎么用图神经网络当筛选器，同样的查询次数分子优化效果更好，四个生成器都试了，值得看。
原文
12:13
12:13官方账号arXiv cs.LG@V. S. Usatyuk, D. A. Sapozhnikov, S. I. Egorov
精选
论文提出 KSSE（Kohn–Sham Spectral Embedding），用稀疏图上的谱嵌入替代稠密 CNN 分类器，并在相关随机键 Ising 模型的 Nishimori 温度下求解。在冻结 EfficientNet-B4 特征（D=1792）的 ImageNet-1000 传导协议上，KSSE 用约 21.24M 参数达到 88.93% Top-1 准确率。这优于 Swin-L（197M 参数，86.4–87.3%），并以约十分之一参数匹配 ViT-H/14（632M 参数，88.0–89.5%）。方法通过星域手术优化图拓扑，将残差挫败限制在 ρ≤1+δ，并证明 Ihara–Bass 恒等式等六个理论结果。
论文KSSEImageNet-1000谱嵌入
推荐理由：一篇用物理模型替代CNN做分类的论文：KSSE用2100万参数在ImageNet-1000上做到88.93%，超过Swin-L，逼近ViT-H/14，值得看看方法。
原文
11:29
11:29官方账号arXiv cs.LG@Rasmus Tirsgaard, Laurits Fredsgaard, Marisa Wodrich, Mikkel Jordahn, Mikkel N. Schmidt
该论文（arXiv:2607.28304v1）提出用集成共识目标训练分子图模型，解决分子领域难以设计标签保持增强的问题。实验覆盖多种分子数据集、任务类型和图神经网络架构，显示半监督集成共识能提升预测准确率。单成员模型经此训练后，在几乎所有情况下都优于传统监督方式训练的全集成，并降低校准误差。
论文图神经网络分子图半监督学习
推荐理由：这篇 arXiv 论文用集成共识做分子图半监督学习，不用费力设计数据增强，单个模型就能超过传统全集成，还降校准误差。
原文
11:23
11:23官方账号arXiv cs.LG@Md Joshem Uddin, Astrit Tola, Cuneyt Gurcan Akcora, Baris Coskunuzer
TopoFormer是一个轻量且可扩展的图表示学习框架，核心模块Topo-Scan通过节点或边过滤将图分解为有序的拓扑token序列。这些序列捕捉从局部模体到全局组织的多尺度结构，并交给Transformer生成图级嵌入。与依赖持久同调的管线不同，Topo-Scan完全可并行化，且省去昂贵的图计算。论文在多个图分类和分子性质预测基准上达到与强GNN基线和拓扑方法持平或更优的结果，并提供了拓扑编码稳定性的理论保证。
AI模型TopoFormer图神经网络拓扑
推荐理由：图学习想换新思路可以看这个：TopoFormer用扫描把拓扑结构变成token，喂给Transformer就行，比传统持久同调快还准。
原文
7月30日
11:31
11:31官方账号arXiv cs.LG@Quang Bui, Sparsh Roy, Akash Gundimeda, Davin Yin
该论文研究了基于扩散模型的提议在连续代数约束求解中的有效性。在候选条件修复排序中，K个增强选项的排名器以少量调用达到穷举搜索上限：平衡非线性菜单准确率0.997 vs 0.236（p<10^-70），多种子平均0.982±0.006。提出的MARC系统将约束转化为因子图，用图神经扩散去噪器提出赋值，再通过精确计算机代数能量下降优化并由符号检查器验证。与随机多起点相比，学习式提议只在高维空间明显胜出（低维持平，变量耦合时优势消失）。在八个真实系统（机器人、定位、优化、代数）中，经典随机多起点全部求解，无一处于学习有利区间。
论文MARC扩散模型约束求解
推荐理由：这篇论文用严格的对照实验告诉你：扩散模型在约束求解里什么时候有用、什么时候没用，结果很反直觉——真实系统里随机多起点反而全赢了。做AI for science和优化的人值得看看。
原文
7月29日
09:21
7月24日
12:00
12:00官方账号arXiv cs.LG@Aaron Feller, Kris Deibler, Maxim Secor
EnsembleEGNN 是一种分子集成基础模型，通过对每个构象使用共享的等变图神经网络 (EGNN) 编码，再用 Set Attention Block 池化得到整体表示。在 CREMP 环肽数据集上预训练，采用掩码 token 恢复、噪声坐标重建和成对距离重建的多任务自监督目标。在 CREMP-CycPeptMPDB 数据集上，从零训练的 EnsembleEGNN 性能极差 (R²=0.005)，而预训练模型达到 R²=0.477、Pearson r=0.699，超过仅序列的 BERT 基线 (R²=0.439, Pearson r=0.667)。与 BERT 序列编码器联合端到端训练后，混合模型进一步提升至 R²=0.538、Pearson r=0.737。
AI模型EnsembleEGNNCREMP分子性质预测
推荐理由：做分子性质预测的朋友看过来：新模型EnsembleEGNN把多个构象编码成一个嵌入，在环肽任务上比纯序列模型效果好，R²提升到0.538。
原文
7月21日
11:48
11:48官方账号arXiv cs.LG@Thu T. H. Doan, Mohammad Saiful Islam, Andriy Miranskyy, Ngoc-Thanh Nguyen, Rogardt Heldal, Patrizio Pelliccione
ClouDens 利用 IBM Cloud Console 遥测日志中编码的操作上下文属性进行异常检测。该方法将高维遥测日志划分为领域引导子集，构建上下文感知图模型运维服务依赖，并采用时空图神经网络进行预测式异常检测。在 IBM Cloud Telemetry Dataset 上评估显示，ClouDens 在基于计数的遥测特征上取得了比 GRU 模型更高的 NAB 分数，表明更准确、更早的异常检测。研究还揭示特征子集、上下文建模、评分策略和稀疏性填充显著影响检测性能。
AI模型ClouDensIBM Cloud Telemetry Dataset异常检测
推荐理由：IBM 发的新框架 ClouDens，用图神经网络做云系统异常检测，在真实数据集上比 GRU 模型更准更早，适合做运维监控的朋友看看。
原文
7月16日
09:31
09:31官方账号arXiv cs.AI@Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Jun Hu, Jia Chen
论文提出NodeImport框架，针对图神经网络在类不平衡场景下对少数类过拟合的问题。该方法通过构建平衡元集来测量节点重要性，筛选出能提升无偏模型性能的标签、未标签及合成节点。理论推导出直接评估节点重要性的公式，并引入阈值用于节点选择。在多个数据集上使用GCN、GAT等架构进行测试，结果优于现有基线方法。
论文NodeImport图神经网络类别不平衡
推荐理由：这篇论文讲怎么解决图数据里类别不平衡的问题，NodeImport能动态挑出重要节点，不用重新生成太多假数据，效果还比现有方法好。做图神经网络、节点分类的可以看看方法细节。
原文
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
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
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
09:03官方账号arXiv cs.LG@Di Wu, Huan Liu, Zhixiang Chi, Yuanhao Yu, Konstantinos N. Plataniotis, Yang Wang
新提出的 DNG-Encoder 用动态图表示神经网络推理的层间时序特征，解决了现有权重空间方法忽略顺序处理的问题。基于该编码器构建的 INR2JLS 框架，在 CIFAR-100-INR 分类任务上达到当前最优，准确率提升约 10%。实验涵盖多个下游任务，展示了权重空间动态建模的有效性。
AI模型DNG-EncoderINRCIFAR-100
推荐理由：想搞权重空间分析的可以看看，这篇用动态图编码推理过程，在 INR 分类上直接提了 10 个点，挺实在的。
原文
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
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
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
10:58官方账号arXiv cs.AI@Kasper Helverskov Petersen, François R J Cornet, Martin Ovesen, Mikkel Jordahn, Kristian S. Thygesen, Mikkel N. Schmidt
研究团队将等变图神经网络GotenNet应用于光学光谱预测，在包含10,533个结构的RPA级别光谱数据集上进行评估。该模型在0-8 eV能量范围内和静态实介电常数预测上显著超越现有最佳方法。结果表明等变几何特征能提升材料光学性质预测精度，对太阳能电池等光电器件的高通量筛选具有直接价值。
论文Equivariant Graph Neural NetworksGotenNet材料筛选
推荐理由：这篇论文用GotenNet做光学光谱预测，在1万个结构上比现有模型准不少，特别是0-8 eV区间，搞材料筛选的可以看看。
原文
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
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
12:00官方账号arXiv cs.LG@Steve Halley, Maurício Gruppi
该论文提出SD-ZFS框架，将S2V-DQN架构适配到最小零强制集(ZFS)问题。ZFS是NP难的图着色问题，在图神经网络、网络控制和逻辑电路设计中有应用。在多个不同结构的图数据集上训练模型，评估其泛化、扩展和迁移能力。与最优解和贪心启发式相比，SD-ZFS框架展示了有效性。
论文SD-ZFSS2V-DQN强化学习
推荐理由：这篇论文告诉你如何用强化学习搞定一个NP难的图论问题，效果比传统贪心算法好，适合研究图神经网络和组合优化的人。
原文
6月16日
12:18
12:18官方账号arXiv cs.LG@Yannick Limmer
论文提出过滤共形椭球（Filtered Conformal Ellipsoids）用于多变量时间序列的联合预测集控制。该方法通过冻结状态空间滤波器生成一步预测均值和协方差，并对马氏距离得分进行分割共形校准。在METRLA-20和PEMSBAY-50图原生交通基准上，学习到的滤波器比静态协方差和非滤波器基线获得更尖锐的目标椭球。分析表明，在稳定贝叶斯高斯投影滤波器下，小超额高斯负对数似然可保证学习发射定律的收敛性。
论文GCN-GRUMETRLA-20PEMSBAY-50
推荐理由：这篇给时间序列预测搞了新套路，用过滤共形椭球比静态协方差更准，在交通数据集上效果更锐利。
原文
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
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
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
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
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
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
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
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
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
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