图神经网络

图神经网络（GNN）近期在多个前沿领域取得显著进展，应用从科学模拟拓展到工业系统。Google DeepMind 推出 TacticAI，利用 GNN 实时模拟足球防守阵型，展示了其在复杂交互场景中的推理能力（TacticAI用图神经网络实时模拟防守阵型）。同时，多项研究聚焦于提升GNN的表达能力与效率：COGENT结合神经ODE处理不规则网格上的长期物理预测，突破传统GNN在动态系统建模中的局限（COGENT：用神经ODE实现不规则网格上的长期物理预测）；LSTM-GNN耦合框架则加速多尺度非线性力学场重建，为工程仿真提供高效方案（LSTM-GNN 耦合框架实现非线性力学场重建）。在方法论上，异配图节点分类因高阶标签连通性方法（LCC）获得改进（LCC：利用高阶标签连通性提升异配图节点分类性能），而Graph Set Transformer提出融合局部与集合上下文的新架构（Graph Set Transformer：融合局部与集合上下文的图集学习新架构）。此外，实际应用涌现，如铁路延误预测数据集RIDE（RIDE：首个铁路延误预测开放数据集与基准）和城市温度场重建（基于图神经网络的稀疏传感器城市温度场重建方法）。值得关注的趋势是GNN效率提升，有工作通过IO感知GPU内核实现最高8.5倍加速（GNN 加速新方法：IO 感知的 GPU 内核实现）。当前焦点在于GNN如何处理不规则结构、异质性数据，并与序列模型及微分方程结合以突破其传统局限。未来观察方向包括：自动化图结构设计（如结构优化器关系图神经网络需要什么样的图？结构优化器自动适配）和自监督学习在节点聚类中的应用（GNN与自学习结合实现节点属性网络聚类）。