graph neural networks · AI news

Papers10:26

Chinese content基于影响传播视角的多关系图链接预测

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。

#IGNP #graph neural networks

arXiv cs.LG@Zidu Yin et al. (6)Source

Papers11:18

Chinese content时间图上的学习与聚类：原理、原语与池化

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。

#graph neural networks

arXiv cs.LG@Nelson Aloysio Reis de Almeida Passos et al. (3)Source

Papers12:20

Chinese contentSheaf神经网络归纳任务基准评测

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。

#Sheaf Neural Networks #graph neural networks #benchmarks

arXiv cs.LG@Stefano Fiorini et al. (3)Source

Papers09:29

Chinese contentKING：具身感知运动学图神经网络，统一轮式与腿式机器人运动表示

想搞机器人里程计？KING 用统一图结构把轮式和腿式一把抓，一分钟数据就能适配新机器人，不用重新训练。

#KING #graph neural networks

arXiv cs.AI@Taku Okawara et al. (5)Source

Papers09:31

Chinese content有序到无序迁移学习：图神经网络预测高熵钙钛矿氧化物形成能与HOMO-LUMO带隙

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。

#ALIGNN #CGCNN #graph neural networks #transfer learning

arXiv cs.LG@Panupol Untarabut et al. (7)Source

Papers12:14

Chinese contentShort-Term Graph Memory：Oracle预算下的分子优化

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。

#graph neural networks

arXiv cs.LG@Jiannan Yang et al. (4)Source

PapersSelected12:13

Chinese contentKSSE：稀疏图上的Kohn–Sham谱嵌入图像分类

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。

#KSSE #ImageNet-1000 #graph neural networks

arXiv cs.LG@V. S. Usatyuk et al. (3)Source

Papers11:29

Chinese content分子图半监督学习：利用集成共识提升预测精度

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。

#graph neural networks

arXiv cs.LG@Rasmus Tirsgaard et al. (5)Source

Models11:23

Chinese contentTopoFormer：拓扑与注意力结合的图学习

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。

#TopoFormer #graph neural networks #Transformer

arXiv cs.LG@Md Joshem Uddin et al. (4)Source

Papers11:31

Chinese content学习到的扩散提议何时有助于约束求解？——连续代数系统的受控研究

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。

#MARC #diffusion models #graph neural networks

arXiv cs.LG@Quang Bui et al. (4)Source

Papers09:21

Chinese content基于时间图的纵向疾病轨迹对比表示学习

这篇论文用对比图神经网络给疾病轨迹建模，能更精细地聚类病程相似的患者，比传统方法好用。

#contrastive learning #graph neural networks #representation learning

arXiv cs.LG@Bastian PfeiferSource

Models12:00

Chinese contentEnsembleEGNN：环肽分子构象集成图学习模型

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。

#EnsembleEGNN #CREMP #graph neural networks

arXiv cs.LG@Aaron Feller et al. (3)Source

Models11:48

Chinese contentClouDens: 针对大规模云系统监控的上下文感知异常检测框架

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。

#ClouDens #IBM Cloud Telemetry Dataset #anomaly detection #graph neural networks

arXiv cs.LG@Thu T. H. Doan et al. (6)Source

Papers09:31

Chinese contentNodeImport：利用节点重要性评估应对不平衡节点分类

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。

#NodeImport #graph neural networks

arXiv cs.AI@Nan Chen et al. (6)Source

Papers11:27

Chinese contentEdgeRefine: 基于Jaccard采样的图边差分隐私新框架

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。

#EdgeRefine #graph neural networks #differential privacy #privacy

arXiv cs.LG@Wenxiu Ding et al. (6)Source

Papers09:57

Chinese contentAny-Dimensional Learning by Sampling：通过随机采样统一处理不同规模输入

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。

#generalization #graph neural networks #Transformer #Sketching

arXiv cs.LG@Eitan Levin, Venkat ChandrasekaranSource

Papers09:45

Chinese content不对称焦点损失改进图神经网络的药物相互作用预测

这篇论文用一个改进的损失函数让药物相互作用预测准了将近20个百分点，读来很有启发。

#Graph Neural Network #Drug-Drug Interactions #Asymmetric Focal Loss #ClinicalFocal loss

arXiv cs.LG@Faranak Hatami, Mousa MoradiSource

Papers10:07

Chinese contentCanopy: 用于代谢工程的异构图基础模型

Canopy把基因、蛋白质、代谢物等生物数据全揉进一个图模型，预测发酵产量比传统方法准了将近一倍，搞合成生物学的可以看看。

#Canopy #graph neural networks #foundation models

arXiv cs.LG@Jake Bowden et al. (3)Source

Models09:03

Chinese contentDynamic Neural Graph Encoder 提升 INR 分类准确率约 10%

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。

#DNG-Encoder #INR #CIFAR-100 #graph neural networks

arXiv cs.LG@Di Wu et al. (6)Source

Papers10:08

Chinese contentADC-GNN：扩散引导学习用于少样本图欺诈检测

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

#ADC-GNN #Graph Fraud Detection #graph neural networks #few-shot learning

arXiv cs.AI@Liming Liu et al. (6)Source

Papers11:41

Chinese contentG2Rec：结合图结构与语义标记化的生成式推荐框架

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。

#G2Rec #graph neural networks

arXiv cs.AI@Ruizhong Qiu et al. (9)Source

Papers10:58

Chinese content等变图神经网络提升光学光谱预测用于材料筛选

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。

#Equivariant Graph Neural Networks #GotenNet #graph neural networks

arXiv cs.AI@Kasper Helverskov Petersen et al. (6)Source

Papers10:38

Chinese contentChronoSurv：临床路径引导的多模态生存分析图框架

这篇论文把临床流程做成图结构来预测生存时间，比传统方法更准，适合做医疗AI的朋友看看。

#ChronoSurv #multimodal #graph neural networks

arXiv cs.LG@Hugo Miccinilli, Theo Di PiazzaSource

Papers10:37

Chinese contentINDEQS: 融合先验图结构的神经控制微分方程预测方法

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。

#INDEQS #NCDE #time series forecasting #graph neural networks

arXiv cs.LG@Michael Detzel et al. (6)Source

Papers12:00

Chinese content深度强化学习求解最小零强制集问题

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。

#SD-ZFS #S2V-DQN #reinforcement learning #graph neural networks

arXiv cs.LG@Steve Halley, Maurício GruppiSource

Papers12:18

Chinese content图原生时间序列的过滤共形椭球方法

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。

#GCN-GRU #METRLA-20 #PEMSBAY-50 #conformal prediction

arXiv cs.LG@Yannick LimmerSource

How-to BuildersOfficialSelected11:21

Chinese content用city2graph、OSMnx和PyTorch Geometric实现空间图神经网络推断城市功能

手把手教你用图神经网络分析城市数据

#city2graph #OSMnx #PyTorch Geometric #GraphSAGE

Primary sourcemarktechpost@Sana HassanSource

Papers13:45

Chinese contentGNN与自学习结合实现节点属性网络聚类

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。

#graph neural networks #unsupervised learning

arXiv cs.LG@Rodrigo de Sapienza Luna, Daniel Ratton FigueiredoSource

ProductsSelected00:44

Chinese contentTacticAI用图神经网络实时模拟防守阵型

足球战术分析团队终于有了可交互的 AI 工具——TacticAI 让数据科学家像玩游戏一样拖拽球员测试阵型，做体育数据分析的建议点开看看。

#graph neural networks #Google DeepMind

Official accountGoogle DeepMind@GoogleDeepMindSource

PapersSelected10:57

Chinese contentCOGENT：用神经ODE实现不规则网格上的长期物理预测

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。

#graph neural networks

arXiv cs.LG@Zesheng Liu, Maryam RahnemoonfarSource

PapersSelected09:25

Chinese contentLSTM-GNN 耦合框架实现非线性力学场重建，加速多尺度仿真

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。

#LSTM #graph neural networks

arXiv cs.LG@Manuel Ricardo Guevara Garban et al. (6)Source

PapersSelected09:35

Chinese content关系图神经网络需要什么样的图？结构优化器自动适配

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。

#graph neural networks

arXiv cs.AI@Yao Cheng, Siqiang LuoSource

Papers09:37

Chinese contentLCC：利用高阶标签连通性提升异配图节点分类性能

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。

#graph neural networks

arXiv cs.AI@Takuto Takahashi et al. (6)Source

PapersSelected11:22

Chinese contentGraph Set Transformer：融合局部与集合上下文的图集学习新架构

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。

#graph neural networks #Graph Set Transformer

arXiv cs.LG@Jose E. Escrig Molina et al. (3)Source

Papers11:04

Chinese contentRIDE：首个铁路延误预测开放数据集与基准

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。

#benchmarks #graph neural networks

arXiv cs.LG@Clément Elliker et al. (5)Source

Papers11:15

Chinese content基于图神经网络的稀疏传感器城市温度场重建方法

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。

#graph neural networks #uncertainty quantification

arXiv cs.LG@Reda Snaiki, Abdelatif MerabtineSource

Papers10:26

Chinese contentGNN 加速新方法：IO 感知的 GPU 内核实现，最高 8.5 倍提速

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。

#GNN #graph neural networks

arXiv cs.LG@Daria Fomina et al. (6)Source

PapersSelected72°11:28

Chinese contentFluxMem：将记忆建模为持续演化的图结构，提升LLM智能体适应性

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。

#agents #graph neural networks #open-source and repositories

Event

arXiv cs.AI@Jizhan Fang et al. (15)Source

PapersSelected11:48

Chinese contentL2IR：用LLM揭示图欺诈检测中的隐藏意图

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。

#graph neural networks #large language models

arXiv cs.AI@Jinsheng Guo et al. (5)Source

PapersSelected10:00

Chinese contentRelevant Walk Search：多项式时间算法加速GNN解释

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。

#graph neural networks #interpretability #open-source and repositories

arXiv cs.LG@Ping Xiong et al. (6)Source