graph·general

Graph

别名
首次出现
2026-05-22
最近出现
2026-06-10
累计提及
48
§ 01综述

图(Graph)结构在人工智能与系统领域正呈现多维度融合趋势。近期工作从基础架构、生成模型到实际应用均有突破,尤其关注图数据的表征与交互效率。

  • 图引导的根因分析:Graph Traversal Agent 提出利用图遍历机制在 Kubernetes 集群中定位故障根因,将运维知识编码为图结构,实现可解释的推理路径(Graph Traversal Agent:图引导的Kubernetes根因分析)。
  • 图集学习新架构:Graph Set Transformer 引入局部与集合上下文双重注意力机制,解决传统GNN在图集任务(如多图分类)中全局交互不足的问题,在分子性质预测等基准上表现领先(Graph Set Transformer:融合局部与集合上下文的图集学习新架构)。
  • 扩散模型用于图到文本生成:Graph-LLaDA 发现直接监督微调会破坏策略,而扩散模型优先解码实体能显著提升图描述生成的准确性与连贯性,为图语言模型训练提供新视角(Graph-LLaDA:扩散模型在图到文本生成中优先解码实体,SFT反而破坏策略)。
  • GNN 加速优化:IO 感知的 GPU 内核实现通过优化数据加载与计算流,使 GNN 训练速度最高提升 8.5 倍,缓解了大规模图处理的内存瓶颈(GNN 加速新方法:IO 感知的 GPU 内核实现,最高 8.5 倍提速)。
  • 主动场景图生成:RGB-only Active 3D Scene Graph Generation 面向移动机器人,仅用 RGB 相机动态构建三维场景图,实现实时环境理解与物体关系推理(RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots)。
  • 当前焦点集中于图模型在生成、推理与效率之间的平衡。未来观察点包括:扩散模型在图生成中的 SFT 策略改进、GNN 加速技术向工业级部署的迁移,以及场景图在具身智能中的实时交互能力。

    § 02相关报道05 条在档
    1. 01
      Graph Traversal Agent:图引导的Kubernetes根因分析
      arXiv cs.AI
    2. 02
      Graph Set Transformer:融合局部与集合上下文的图集学习新架构
      arXiv cs.LG
    3. 03
      Graph-LLaDA:扩散模型在图到文本生成中优先解码实体,SFT反而破坏策略
      arXiv cs.AI
    4. 04
      GNN 加速新方法:IO 感知的 GPU 内核实现,最高 8.5 倍提速
      arXiv cs.LG
    5. 05
      RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots
      arXiv cs.AI
    § 03邻近话题

    本页综述由 AITOP 基于公开报道整理。原报道版权归各自来源所有。

    /topic/Graph