GNN 相关 AI 资讯

8月19日

11:42

官方一手arXiv: DeepSeek@Sahab Zandi, Noah Kostesku, Christophe Mues, María Óskarsdóttir, Cristián Bravo

研究评估了XGBoost和图神经网络(GNN)等信用风险模型，使用Freddie Mac单户贷款数据测试三种LLM配置：Gemma 3 4B、DeepSeek R1 70B和Gemini 2.5。研究发现，证据表示质量比语言模型对解释质量影响更大，解释叙述能准确识别影响因素但影响方向可靠性较低。研究还发现专业人士比非专业人士应用更严格的证据标准，对风险模型治理有重要启示。

论文 XGBoost GNN DeepSeek R1 70B

推荐理由：这篇论文对比了不同LLM在信用风险解释中的表现，发现证据表示比模型选择更重要，对金融AI应用很有参考价值。

原文

7月31日

12:56

官方账号arXiv cs.AI@Jiacheng Tao, Qingyun Sun, Haonan Yuan, Ziwei Zhang, Jianxin Li

DualG-MRAG 提出将宏观推理图与微观匹配图解耦，分别负责全局拓扑路由和局部证据验证。该框架通过 GNN 检索器实现查询驱动的消息传递，并利用动态规划解码从前向传播中提取推理路径。在证据召回和复杂问答准确率上，DualG-MRAG 超过现有基线。

论文 DualG-MRAG GNN 多模态RAG

推荐理由：多模态RAG老是丢细节？DualG-MRAG用双图分工解决，召回更准、复杂QA更强。

原文

12:16

官方账号arXiv cs.LG@Zechen Zhang, Rui Peng Li, Yousef Saad

该论文提出图神经网络多层级预条件器（GMP），将代数多重网格（AMG）层级结构作为先验，统一学习平滑、限制与插值算子。在超800个稀疏矩阵基准上，对比经典AMG、单层ILUT及现有GNN预条件器，分析了多层级图神经预条件在收敛性和计算开销上的优劣。结果表明GMP可作为标准Krylov求解器的即插即用预条件器，但在某些场景下不及强单层基线。

论文 Graph Neural Multilevel Preconditioners GNN AMG

推荐理由：想给稀疏矩阵求解提速的话，这篇论文把AMG层级和图神经网络结合了，在800多个矩阵上实测，可以看到它什么时候比AMG好、什么时候反而更慢。

原文

11:32

官方账号arXiv cs.LG@Tim Schwabe, Lukas Ketzer, Maribel Acosta

FICE是首个可泛化到完全未见知识图谱（包括未见关系）且无需重训练的BGP查询基数估计器。它基于因子图视角的图神经网络，用编码器生成实体和关系嵌入，再用解码器按查询连接拓扑预测对数基数。论文证明BGP基数是2-hop邻域的局部函数，支撑了局部消息传递编码器设计。在10个知识图谱上，FICE将整体中位q-error从最佳基线的13.54降至5.34，尾部表现全面领先。其推理延迟低于1毫秒，且通过邻域采样扩展到百万三元组规模。

论文 FICE Cardinality Estimation 知识图谱

推荐理由：FICE这个新模型，不用重训练就能用在没见过的知识图谱上，基数估计误差比之前最好的还低一半多，而且速度快到亚毫秒。

原文

11:02

官方账号arXiv cs.LG@Mostafa Haghir Chehreghani

该论文研究向循环图神经网络每步传播后注入独立高斯噪声的架构，并将其分析为随机动力系统。在标准全局收缩假设下，作者证明隐藏表示构成几何遍历的马尔可夫链，存在唯一不变概率测度。主要理论结果给出平稳状态Dirichlet能量的显式正下界，该下界与噪声方差和图的谱间隙成正比。这从理论上保证了平稳表示不会塌缩到常量流形，即渐近过平滑被严格防止。实验在线性和非线性循环GNN上验证了理论预测，呈现稳态分布及能量对噪声强度的依赖关系。

论文 GNN 过平滑高斯扰动

推荐理由：这篇文章用加噪声的办法治GNN过平滑，从数学上给你保证不塌缩，还和残差连接、归一化这些老办法做了对比。

原文

7月22日

11:40

官方账号arXiv cs.LG@Alessandro Scalese, Santhanakrishnan Narayanan, Constantinos Antoniou

论文提出GUIDED初始化层，将交通需求作为虚拟链路的标量属性，实现网络无关输入。在多个城市拓扑上测试，HetGAT+GUIDED在单网络任务上保持先进精度。该方法对分布外需求模式鲁棒，数据稀缺时性能优势明显。训练时间每epoch减少约50%。该方法可推广到物流、多模态网络等OD空间问题。

论文 GUIDED HetGAT GNN

推荐理由：这篇论文提出了GUIDED层，让GNN模型能跨城市迁移做交通分配，训练还快了一半，不是画饼。

原文

7月14日

09:13

官方账号arXiv cs.LG@Abderaouf Bahi

这篇论文给出了图神经网络（GNN）在分布偏移下校准的第一个闭式理论表征，发现校准由单个标量决定，该标量依赖于源图与目标图之间的结构变化和特征质量。理论精确识别了模型何时过度自信、欠自信或保持校准，并直接导出了最优温度缩放策略。作者将分析扩展到对称归一化的图卷积网络、多分类和协变量偏移，导出了期望校准误差的理论上界。基于这些洞察提出了无需源域标签的STAC方法，在合成基准上校准显著提升，但在五个真实世界图数据集上不依赖目标标签的可靠校准仍具挑战。

论文 GNN STAC 分布偏移

推荐理由：这篇论文把GNN在数据分布变了之后到底准不准、慌不慌讲透了，还给出了一个不用标签的校准方法STAC，做图模型部署的值得一看。

原文

7月9日

09:15

官方账号arXiv cs.AI@Martin Schmidt, Gonzalo Mateos

本文分析了由GNN参数化的连续归一化流模型在图信号生成中的稳定性。作者证明排列等变性在连续时间ODE及其数值近似中均保持。推导了显式的稳定性界限，量化图结构扰动对生成信号分布的影响。基于理论界限引入正则化流匹配策略，在训练中惩罚向量场的空间Lipschitz常数。在随机块模型合成信号和真实fMRI脑连接体信号上的实验表明，该方法对结构噪声更鲁棒且不牺牲输出质量。

论文 GNN flow models 图信号

推荐理由：这篇论文从理论上分析了图信号生成流模型的结构扰动稳定性，还给了个实用的正则化训练方法，在fMRI等真实数据上验证有效。

原文

7月3日

09:18

官方账号arXiv cs.LG@Sampreeti Bhattacharya, Arkaprava Roy

该工作提出一个加性深度学习框架，用多层感知机（MLP）编码物理化学描述符作为化学分支，用图神经网络（GNN）编码分子图拓扑作为结构分支，两个分支的输出在预测阶段加性组合。在AqSolDB数据集上预训练、在BigSolDB2数据集上微调后，预测精度显著提升且运行变异降低。可解释性分析通过最佳线性投影、分子嵌入和GNNExplainer显示化学分支对齐已知物化描述符，结构分支捕捉图拓扑和官能团模式。在两个数据集上，该框架取得有竞争力的预测性能，同时使化学与结构信息的各自作用更透明。

论文 MLP GNN AqSolDB

推荐理由：这篇论文把化学描述和分子结构分开建模再相加，既准确又能解释预测依据。在AqSolDB和BigSolDB2上效果很好，适合医药研发。

原文

6月30日

11:41

官方账号arXiv cs.AI@Zhifei Hu, Alexandra I. Cristea

PromptGNN-sim提出双向结构-语义融合框架，利用GAT进行语义感知邻域选择，生成结构感知提示（含目标节点摘要、标签类别、相似邻居关键词）引导LLM。通过跨模态对比学习和交叉注意力联合优化GNN与LLM。在Cora、Pubmed、WikiCS等6个公开数据集上，PromptGNN-sim在准确率、泛化性和鲁棒性上超越经典GNN、LLM及近期融合方法。

论文 PromptGNN-sim GNN LLM

推荐理由：这篇论文给出了一个让GNN和LLM真正协作的新思路——用图结构信息去构造提示词，再反过来优化图模型。实验扎实，覆盖6个数据集，比现有融合方法都强。

原文

6月24日

11:41

官方账号arXiv cs.LG@Oleg Platonov, Gleb Bazhenov, Dmitry Eremeev, Liudmila Prokhorenkova

论文图基础模型 Graph Foundation Models 节点属性预测

推荐理由：这篇论文帮你打破了GNN和GFM的迷雾：实测9个模型，发现只有Prior-data Fitted Networks那类才真能打，但代价是推理更慢。想搞清楚哪些图模型值得用就看它。

原文

6月1日

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 GNN GPU 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

5月15日

09:51

官方账号arXiv cs.AI@Lukas Schelenz, Shobha Rajanna, Denis Gosalci, Lucas Heublein, Jonas Pirkl, Jonathan Ott, Felix Ott, Christopher Mutschler, Tobias Feigl

精选

该论文研究了在信号处理管道中预测动态运动（如NBA球员轨迹）的挑战，传统方法如ARIMA和卡尔曼滤波难以处理非线性动态。机器学习方法如LSTM、GNN和Transformer提供了更高灵活性，但常未能显式捕捉时间依赖与上下文交互。实验表明，混合LSTM结合上下文信息在2秒预测范围内实现了最低最终位移误差1.51米，优于TCNN、GAT和Transformer，且所需数据和训练时间更少。研究强调没有单一架构在所有指标上最优，需根据任务选择模型。

论文轨迹预测 LSTM GNN

推荐理由：做运动轨迹预测或动态系统建模的团队，这篇论文对比了主流模型的实际表现，混合LSTM方案在效率和精度上都有亮点，值得参考。

原文