graph convolutional network
PulseAugur coverage of graph convolutional network — every cluster mentioning graph convolutional network across labs, papers, and developer communities, ranked by signal.
- instance of graph attention network 90%
- instance of Graph Information Network 90%
- used by Link prediction 90%
- instance of Graphsage 70%
- instance of CatalyzeX Code Finder for Papers 70%
- used by Gotit.pub 70%
- instance of Gotit.pub 70%
- used by Graphsage 60%
- used by CatalyzeX Code Finder for Papers 60%
- used by Soft Actor--Critic 50%
8 天有情绪数据
-
新AI框架解读大脑活动以进行疾病诊断
研究人员开发了IID-GCN，一个新颖的可解释图学习框架，用于分析静息态功能磁共振成像（rs-fMRI）数据以进行疾病诊断。与关注基于相关性的边权重的传统方法不同，IID-GCN使用部分熵分解将大脑交互分解为冗余、独特性和协同图。这种方法捕捉了信息如何在脑区之间共享，揭示了功能信息组织中超越连接强度变化的疾病特异性模式。该框架利用多通道图卷积网络进行集成，并在多个数据集上展示了持续的诊断能力。
-
新的认知图智能框架增强了DDoS攻击检测能力
研究人员开发了一种新颖的认知图智能框架，名为GraphGAN，用于增强下一代网络中分布式拒绝服务（DDoS）攻击的检测能力。该系统利用基于图的生成对抗网络，通过生成合成攻击样本来解决严重的类别不平衡和非平稳条件等挑战。在基准数据集上的评估表明，GraphGAN在准确率、精确率和召回率方面优于现有方法，尤其是在数据有限的情况下。
-
新的GCN辅助DRL系统可降低无人机视频传输延迟
研究人员开发了一种名为GCN-Assisted A2C的新系统模型，该模型利用深度强化学习来优化无人机（UAV）的视频传输延迟。该模型采用图卷积网络（GCN）来识别和传输帧中最相关的像素相关区域，而不是整个视频。通过结合拉格朗日对偶形式和梯度下降，该系统旨在提高收敛性并防止延迟优化过程中的约束违反。实验结果表明，与现有的DRL和最先进的模型相比，这种方法显著降低了无人机视觉系统中的传输延迟和误检率。
-
Householder图神经网络解决深度GNN中的过平滑问题
研究人员推出了一种新颖的深度图神经网络架构——Householder图神经网络（HouseGNN），旨在解决过平滑问题。与直接应用传播算子的标准GCN不同，HouseGNN利用聚合的邻域消息来估计反射方向。然后通过Householder反射器和GroupSort更新节点嵌入，创建分段正交层，在网络的深度中保持欧几里得范数。这种方法允许通过正交算子之间的不匹配来改变节点间的距离。
-
新框架 X-AddGraph 为图异常检测增加可解释性
研究人员开发了 X-AddGraph，一个用于 AddGraph（一种循环图异常检测系统）的新型事后可解释性框架。这种新方法在不损害原始检测器性能的情况下，为异常检测分数提供了可审计的原因。X-AddGraph 利用了与 AddGraph 架构组件对齐的双时空归因（DSTA）机制，提供了对空间关系和时间动态的洞察。
-
新的GRALS框架改进了最小顶点覆盖问题的解决方案
研究人员开发了GRALS，一个旨在解决最小顶点覆盖（MVC）问题的新局部搜索框架。MVC是一个基本的NP-hard组合优化挑战。GRALS将从图卷积网络（GCN）学到的顶点概率先验与扩展揭示消除算子相结合，以提高解决方案的质量和效率。实验表明，GRALS的性能优于现有方法，在绝大多数测试实例中，尤其是在大规模图上，取得了目前已知的最佳解决方案。
-
AI 系统优化科学计算的 GPU 内核性能
研究人员开发了两个新颖的系统 SparseDitto 和 KernelBrain，旨在优化各种计算任务的 GPU 内核性能。SparseDitto 利用基于 LLM 的代理生成稀疏矩阵运算的自定义 GPU 内核，在 NVIDIA 硬件上实现了比 cuSPARSE 等现有库显著的加速。KernelBrain 采用粗粒度到细粒度、预算感知的搜索策略来优化 GPU 内核，与 PyTorch 和其他最先进的内核代理相比，提高了质量和效率。
-
新的TBSG-Net通过时间图建模推进视频片段检索
研究人员推出了一种新颖的时间二分场景图网络TBSG-Net，用于细粒度视频片段检索。该模型通过整合时间动态并将时间跨度显式编码到其图表示中，解决了现有方法的局限性。TBSG-Net利用动态场景图来捕捉不断变化的物体交互，并使用专门的嵌入模块来处理时间跨度和时空信息，从而显著提高了检索准确性。
-
New protocol for GNN cross-task transfer reveals directional predictability
研究人员开发了一种新的协议，用于可靠地评估图神经网络（GNN）在节点分类（NC）和链接预测（LP）任务中的跨任务迁移。他们的发现表明，从NC到LP的迁移通常是有益的，尤其是在同质性图上，而从LP到NC的迁移则不太一致，有时甚至会降低性能。该研究还引入了CoTask Score（CTS）来衡量联合效用，并提出简单的图数据集统计信息（如同质性）可以帮助预测和减轻负迁移。
-
Dolphin 模拟器接近实现 Wii 和 GameCube 游戏的完全兼容
Dolphin 模拟器在实现对任天堂 Wii 和 GameCube 主机游戏完全兼容方面取得了重大进展。这一进展意味着这些平台上发布的几乎所有游戏现在都可以通过该模拟器运行。该项目的持续开发旨在为后代保存这些游戏体验。
-
HybridSim 模拟器为人体感知生成逼真的毫米波雷达信号
研究人员开发了 HybridSim，这是一种新颖的物理学习混合模拟器，旨在为动态人体运动生成逼真的毫米波雷达信号。该工具通过解耦传播的直射和间接路径来合成信号，使用三平面表示和图卷积网络来表示人体特征，并使用微面 BRDF 来表示表面反射。HybridSim 还使用 3D 高斯泼溅和虚拟接收器几何结构来近似间接路径，与全光线追踪相比，大大降低了计算成本。该模拟器在与物理模型的符合度方面表现出改进，并通过特定站点的数据增强增强了下游的雷…
-
新的规范不变正则化改进了有向图上的势能恢复
研究人员开发了一种新的正则化技术，用于从有向图中恢复潜在势能，解决了该问题的病态性质。传统的岭正则化可能会导致恢复的排序塌陷和反转，但提出的规范不变图狄利克雷能量方法在广泛的参数范围内提供了参数不敏感性和稳定性。这种新方法在点击流数据上保留了显著的动态范围，并通过防止深度有向 GCN 中的过度平滑，对图神经网络产生了影响。
-
图像编码器的选择显著影响 GCN 在乳腺超声分类中的性能
研究人员调查了不同图像编码器对图卷积网络 (GCN) 在乳腺超声分类中性能的影响。研究发现，包括卷积和基于 Transformer 的架构在内的更高容量的编码器，持续提高了图同质性以及准确性、AUC、敏感性、特异性和 F1 分数等下游分类指标。研究还建立了测试集图同质性与分类准确性之间的强相关性，表明编码器提供的更高表示质量是性能提升的关键因素。
-
综述详述了GNN在知识图谱技术中的应用
本文全面综述了图神经网络（GNNs）在知识图谱技术中的应用。文章提出了一个新颖的分类法，将基于GNN的知识图谱方法按其在知识图谱整个生命周期中的作用进行分类，包括构建、嵌入、推理和应用。综述详细介绍了GCN、GAT和HGNN等各种GNN模型，并分析了它们在不同知识图谱生命周期任务中的优缺点。最后，文章讨论了该跨学科领域的当前挑战和未来研究方向。
-
新数据集和图神经网络推动有限群对称性研究
研究人员开发了一个包含超过131,000个Cayley图的新数据集，作为研究有限群属性如何在图可观测量中体现的基准。这项工作还为OEIS贡献了新的枚举序列，并识别出经验规律，从而提出可检验的关于图属性的猜想。对经典模型、MLP和图神经网络（GNNs）的比较表明，GNNs，特别是GIN和GCN，能够直接从图数据中有效预测代数群属性。
-
EdgeRefine 框架提高了图神经网络中的隐私-效用平衡
研究人员开发了 EdgeRefine，一个旨在提高图神经网络 (GNN) 中隐私-效用平衡的新颖框架。该方法通过采用自适应边缘精炼和 Jaccard 相似度进行边缘概率估计，解决了图数据中敏感链接信息泄露的挑战。EdgeRefine 旨在在保持强大隐私保证的同时提高准确性，在 ACM 和 Cora 等基准数据集上显著优于现有方法。
-
视觉图结构影响GCN中的图像分类性能
一篇新的研究论文探讨了图结构对深度学习模型中图像分类性能的影响。该研究使用固定的三层图卷积网络（GCN）架构，系统地比较了各种图构建技术。研究结果表明，网络的结构显著影响性能，为图计算的预处理阶段提供了方法学贡献。
-
新框架使用图神经网络进行动态铁路定价
一篇新研究论文介绍了一种针对自由化高铁市场动态定价的新颖框架。该方法使用关系多智能体强化学习和图卷积网络来模拟市场拓扑结构，并从可观察数据中推断战略互动。该方法旨在通过考虑运营单元之间的竞争、协调和连通性来提高收入和稳定性，在复杂场景中优于现有基线。
-
GCN-DevLSTM 通过李群路径发展增强了基于骨架的动作识别
研究人员推出了一种新颖的视频骨架动作识别架构 GCN-DevLSTM。该模型通过引入 G-Dev 层来增强现有的图卷积神经网络 (GCN)，该层利用李群结构的路径发展来更好地捕捉时间动态。GCN-DevLSTM 模块能有效总结局部时间信息，同时保留高频细节，从而在 NTU-60 和 NTU-120 等基准数据集上取得了改进的性能。
-
梯度泄露攻击威胁电路设计的GNN
一篇新的研究论文详细介绍了对用于电路设计和硬件安全的图神经网络（GNN）的梯度泄露攻击（GLA）的首次全面评估。研究表明，GLA可能暴露门类型和硬件木马属性等敏感信息，从而可能帮助对手。虽然GIN等一些GNN架构提供了更强的韧性，但GAT等其他架构可能会加剧泄露。现有的防御技术效果有限，并且可能降低模型性能，这表明需要更强大的隐私保护解决方案。