GNN 相关 AI 资讯

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。

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 水溶性可解释AI

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 图学习文本属性图

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 Prior-data Fitted Networks GNN

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 Transformer NBA

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