图神经网络相关 AI 资讯

5月28日

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

事件专题

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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