一篇新的调研论文详细介绍了图神经网络（GNNs）在各个领域的广泛应用，使其超越了最初的细分领域地位。该论文通过从共享原则中推导出谱系和空间公式，并将它们的表达能力与Weisfeiler-Leman层级联系起来，从而组织了该领域。它考察了十二个应用领域，包括推荐系统、药物发现和计算机视觉，分析了图构建选择、主导架构以及报告的收益与实际性能的对比。该调研还强调了跨领域的异质性（heterophily）和规模影响模型性能等反复出现的模式，时间图的挑战，以及排名靠前的架构与实际部署的架构之间的差距。 AI
影响 提供了GNN应用的全面概述，帮助研究人员和从业人员理解其在不同领域的优势和局限性。
排序理由 该集群包含一篇关于图神经网络的调研论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.27202v1 Announce Type: new Abstract: Graph neural networks have moved from a niche representation-learning technique to the default model class wherever data carry relational structure. The interesting question is no longer whether message passing helps on a given data…
Graph neural networks have moved from a niche representation-learning technique to the default model class wherever data carry relational structure. The interesting question is no longer whether message passing helps on a given dataset, but where graph structure earns its computa…