图神经网络

general · First seen 2026-05-22 · Last seen 2026-11-19 · 96 mentions

Overview

图神经网络(GNN)是一类在图结构数据上进行消息传递和学习表示的深度学习模型,广泛应用于时空预测、电力系统监测、异常检测和网络安全等领域。近期研究趋势显示,图神经网络正在与基础模型、强化学习、物理信息约束等方向加速融合,同时其安全性问题也受到更多关注。

图神经网络近期研究进展

  • SOSM框架:用无监督几何建模生存分析,摆脱结局标签依赖:该框架尝试以无监督几何建模方式处理生存分析任务,降低了对结局标签的依赖,扩展了图建模方法在医学等标注稀缺场景的适用空间。
  • UrbanROI:面向POI入驻的区域ROI因果预测框架:围绕 POI 入驻决策,UrbanROI 引入因果推断思路预测区域投资回报,体现了图结构建模从纯预测向决策支持的延伸。
  • BadGCL:针对图持续学习系统的持久化后门攻击研究:BadGCL 揭示了图持续学习系统中存在的持久化后门风险,说明此类模型的鲁棒性评估仍不充分。
  • EG-RL:基于强化学习的时序图边梯度增强框架:该工作用强化学习动态调节时序图的边梯度,是图神经网络与强化学习结合的又一尝试。
  • 物理信息图神经网络算子从稀疏 PMU 估计电力系统动态状态:借助物理信息约束,该算子模型能在 PMU 量测稀疏条件下估计电力系统动态状态,展示了在工程系统中的落地潜力。
  • Gfm4Mtsad:让图基础模型胜任多变量时间序列异常检测:Gfm4Mtsad 探索用图基础模型统一处理多变量时间序列异常检测,反映基础模型思路向图领域的迁移。
  • OmniST:无需固定传感器数量的时空预测模型,新增站点也能给出带覆盖保证的区间:OmniST 解决了传感器数量不固定的实际部署问题,新增站点情况下仍能输出带覆盖保证的预测区间。
  • 当前焦点与观察点

    从近期论文来看,图神经网络的研究呈现三个值得关注的走向。其一是应用纵深扩展:城市时空预测(TopoST、OmniST)、商业选址(UrbanROI)、电力系统状态估计等场景都在探索图结构建模,且越来越强调零样本泛化、传感器动态增减等现实约束。

    其二是范式迁移:基础模型化是当前热点,Gfm4Mtsad、TopoST 等工作尝试让模型摆脱对特定数据和拓扑的依赖,获得跨任务的通用能力;强化学习与物理先验的引入也在改变传统消息传递的固定计算方式。

    其三是安全与可靠性审视加深:BadGCL 的后门攻击研究、入侵检测中的无泄漏评估,以及刻画磁性图网络方向性失效边界的工作,共同指向一个问题——图神经网络在复杂结构下的鲁棒性与评估规范仍需夯实。对从业者而言,在追求泛化能力的同时,如何建立可信的评测基准,将是接下来一段时间的关键观察点。

    Coverage

    10 on file