近期，图（Graph）领域的研究呈现两个显著方向：一是新型图神经网络架构的设计，二是将图结构应用于非传统领域如硬件设计和AI生成。
- 主要进展
- Graph Set Transformer 提出了一种融合局部与集合上下文的图集学习新架构，通过集合级注意力机制提升对图集数据的建模能力，有望在化学分子集合分析等场景取得进展。(Graph Set Transformer：融合局部与集合上下文的图集学习新架构)
- Amazon 的 RNG 网络 利用随机图构建高效硬件网络，相比传统方法硬件需求降低69%，吞吐量提升33%，展示了图论在硬件设计中的实际应用潜力。(Amazon 推出 RNG 网络：硬件需求降 69%，吞吐量提升 33%)
- GoR 使用引文演化图监督研究想法生成，在SFT训练中超越GPT-4o，证明了图结构对辅助科学发现的有效性。(GoR：用引文演化图监督研究想法生成，SFT 超越 GPT-4o)
当前焦点与未来观察
图研究正从传统GNN扩展到更广阔的“图+X”模式，如硬件优化和AI生成。焦点在于如何设计更高效的图架构以处理复杂集合关系（如Graph Set Transformer），以及如何将图先验知识融入生成模型（如GoR）。未来需关注这些方法的可扩展性和在不同领域的泛化能力。