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 Influence Flower 90%
- instance of Graph Information Network 90%
- used by Link prediction 90%
- competes with graph attention network 70%
- instance of Graphsage 70%
- used by Graphsage 70%
- instance of Gotit.pub 70%
- instance of IArxiv Recommender 70%
- used by CatalyzeX Code Finder for Papers 60%
- instance of CatalyzeX Code Finder for Papers 60%
- used by Gotit.pub 60%
7 天有情绪数据
-
研究质疑曲率增强 GCN 在 PPI 预测中的有效性
一篇新发表在 arXiv 上的研究论文调查了曲率增强图卷积网络 (CGCN) 在蛋白质-蛋白质相互作用 (PPI) 预测中的有效性。该研究由 Elham Gholamzadeh 撰写,挑战了 CGCN 通过缓解结构瓶颈处的“过度压缩”来提高性能的普遍理论。相反,研究结果表明,CGCN 主要通过锐化聚类分离来增强聚类内预测,但可能会牺牲聚类间性能。该研究根据具体的预测需求,为何时 CGCN 可能优于标准 GCN 提供了指导。
-
新的DIGCN模型利用LLM增强多模态推荐
研究人员推出了一种新颖的、由双粒度原始特征赋能的中间融合图卷积网络(DIGCN),旨在增强多模态推荐系统。该新模型通过利用大型语言模型(LLMs)直接构建双粒度原始特征,解决了表示学习和模态融合的局限性。DIGCN还包含一个具有动态跨模态权重校正的中间融合图卷积网络,以有效捕获和融合跨模态信号。在四个真实数据集上的实验表明,DIGCN在数据稀疏和冷启动挑战的场景下表现优越,并突显了其可扩展性。
-
新框架EgoHMP利用以自我为中心的线索增强人体运动预测
研究人员开发了EgoHMP,一个旨在提高3D环境中人体运动预测准确性的新框架。该方法利用以自我为中心的视角和头部运动,借鉴认知科学的灵感,以更好地推断人类意图并预测互动。EgoHMP利用视觉-运动对齐编码器、以自我为中心的意图预测器和感知接触的运动解码器来生成稳定逼真的运动,并在实验中展示了最先进的性能。
-
图神经网络解释因“删除保真度”定义而模糊不清
研究人员发现,在评估图神经网络(GNN)解释时存在一个关键的歧义,特别是在“删除保真度”的概念上。该指标通常涉及移除排名靠前的边以评估对模型输出的影响,但“删除边”这一行为可以从两个不同的角度来解释:结构删除,它改变了图的整体结构;以及消息抑制,它阻止了边的消息传递而不改变图的上下文。研究发现,这两种干预只有在特定条件下才会重合,例如具有边集无关系数的加性消息传递。当不满足这些条件时,干预的选择会显著影响边归因的评估,从而导致对其保真…
-
新的AdvGuard框架应对LLM提示泄露攻击
研究人员开发了AdvGuard,一个旨在检测和缓解针对大型语言模型(LLM)的提示泄露攻击的新型框架。这些攻击旨在提取指导LLM行为的机密系统提示。AdvGuard利用图卷积网络(GCN)来模拟用户查询之间的关系,识别跨多次交互出现的恶意模式。该框架还包括一个用于即时保护的提示级检测器,并在评估中表现出高准确率,显著降低了已知和未知攻击家族的成功率。
-
新研究探讨图表示,提出事后校正方法
一篇新发表在arXiv上的研究论文探讨了监督成对图表示的解释问题,这是一种将成对预测关系转换为样本特定图的方法。研究发现,虽然这些表示在变压器错误检测等任务中可能优于简单方法,但当序列长度等混淆因素未得到妥善控制时,其明显优势可能会减弱。该研究还引入了一种Fisher事后校正器,旨在可证明地将这些表示中的信号与噪声分离,并证明即使在标记数据减少的情况下也有效。
-
AdvGuard框架利用图卷积网络对抗LLM提示泄露
研究人员开发了AdvGuard,一个旨在检测和缓解针对大型语言模型(LLM)的系统提示泄露攻击的新型框架。与以往孤立分析查询的防御方法不同,AdvGuard利用语义交互图和图卷积网络来识别跨多个交互的恶意模式。该框架包含一个用于早期保护的提示级检测器,并在召回率和F1分数方面取得了显著改进,大大减少了评估中的提示重构。
-
新的GraphBEAT框架提升电子病历中的癌症风险分层能力
研究人员开发了GraphBEAT,一个新颖的时间图表示学习框架,旨在利用电子健康记录(EHRs)改进胃肠道癌症的早期风险分层。该方法将临床事件分桶并构建患者特异性图谱来模拟健康转变。GraphBEAT在预测不同提前期的胰腺癌、肝癌和肠癌方面,表现优于现有的图神经网络和序列模型,同时计算效率也显著提高。
-
图神经网络改进代码到架构的映射
研究人员开发了一种半监督节点分类方法,用于将代码映射到架构模块,以解决架构技术债务问题。该方法利用有向多关系依赖图,其中文件作为节点,依赖关系作为边。实验表明,图卷积网络(GCN)和图注意力网络(GAT)在Google Chrome等大型代码库上,其性能显著优于多层感知器(MLP)和朴素贝叶斯分类器,其中GAT取得了最高的F1分数。
-
新的GATTACA框架使用GNN和DRL进行生物网络控制
研究人员开发了一个名为GATTACA的新计算框架,该框架利用深度强化学习和图神经网络来控制生物网络以进行细胞重编程。该方法通过对基因调控和信号通路网络进行建模,旨在克服传统实验方法的局限性。该框架结合了图卷积运算,将系统动力学编码为潜在表示,并在真实生物网络上展示了其可扩展性和有效性。
-
MRFlow AI模型推进虚拟细胞扰动预测
研究人员推出MRFlow,一种用于预测细胞对扰动响应的新型AI模型。与平均表达变化的先前模型不同,MRFlow将预测视为变分潜在状态空间内的条件传输。它将预测分解为共享的潜在响应算子和特定于条件的校正,分别通过图卷积网络和Morgan指纹纳入遗传和化学扰动。MRFlow在八个基准测试中取得了最高的综合分数,证明了其在扰动感知虚拟细胞建模中的有效性。
-
新方法构建多样化决策源以改进伪标签学习
研究人员开发了一种通过构建更具信息量的决策源来改进伪标签学习的方法。该方法不依赖多个相同的模型,而是修改共享图表示的内部结构以创建多样化的证据。通过选择这些构建的源的互补子集,该方法提高了伪标签的精度,从而在 Cora、CiteSeer 和 PubMed 等数据集上实现了具有竞争力的下游准确性。这项工作强调了在基于共识的伪标签学习中,构建源比简单地增加模型数量更重要。
-
新的卷积框架提高了推荐系统的效率
研究人员开发了一个名为NextConvRec的新框架,用于基于会话的推荐系统,旨在通过使用纯卷积方法而非基于注意力(attention-based)的Transformer来提高效率和性能。该框架包含一个结构和位置卷积编码器(SPCE),它结合了可学习的卷积位置偏差和图卷积网络(GCN)层来捕获会话级别的结构信号。在四个基准数据集上的实验表明,NextConvRec的平均性能比现有的最先进基线高出1.73%,并将每次会话的推理时间减少…
-
GNN在异质图上的性能取决于节点表示
一篇新的研究论文探讨了图神经网络(GNN)在异质图上的性能,在异质图中,连接的节点通常具有不同的标签。研究发现,不同GNN架构的有效性在很大程度上取决于所使用的节点表示类型。例如,在Roman-Empire基准测试中,使用上下文Transformer嵌入而非静态fastText向量所带来的性能提升在不同架构之间存在显著差异,GAT比GCN-sep显示出更大的改进。这表明在评估GNN在异质环境中的鲁棒性时,架构选择和表示策略不能孤立地进行评估。
-
新型PEBDSAM模块增强图神经网络
研究人员推出了一种新颖的基于位置编码的可变形空间聚合模块(PEBDSAM),旨在增强图神经网络(GNN)。该模块解决了传统GNN的一些基本局限性,例如过平滑、过压缩、感受野受限以及异质图中拓扑邻居带来的噪声。通过诊断性实验,研究团队识别出现有偏移机制的问题,并随后开发了一个简化的版本,称为基于位置编码的空间聚合模块(PEBSAM),以及一个用于大型数据集的PEBSAM-Speed变体。PEBSAM模块已成功集成到各种GNN架构中,包括…
-
图神经网络改进道路网络中断分析
研究人员开发了图神经网络(GNN)来有效估计道路网络在中断后的连通性损失。该研究比较了GCN、GraphSAGE和MPNN模型,发现在各种故障场景下,残差GCN和GraphSAGE模型显著提高了连通性损失估计的平均绝对误差(MAE)。这些模型在精确谱重计算和近似之间提供了一个实用的折衷方案,并存档了代码和数据以供复现。
-
新的DF-LLM提高了交通流量预测的准确性
研究人员开发了一种新的动态融合大语言模型(DF-LLM),专门用于交通流量预测。该模型通过更有效地整合空间和时间数据,解决了传统神经网络和现有大语言模型的局限性。DF-LLM包含一个时空嵌入模块、一个利用图卷积的时空融合模块,以及一个具有参数自适应策略和上下文聚合注意力模块的大语言模型骨干。实验表明,与现有方法相比,DF-LLM在交通流量预测任务上取得了更优异的性能。
-
Nyström attention 在股票预测中媲美全注意力机制
研究人员开发了一种名为 Nyström attention 的新方法,该方法在横截面股票预测任务中可媲美全注意力机制的性能。这种新方法分解了股票间的多头注意力模块,该模块占模型参数和预测价值的很大一部分。研究发现,虽然学习到的注意力几乎是均匀的,但强制精确均匀会消除预测能力,这表明低秩近似是关键。Nyström attention 使用有限数量的地标,以降低的计算成本实现了与全注意力机制的认证等价性。
-
新的PTDG方法将推荐AUC提升1.45% · 研究论文
研究人员开发了个性化任务依赖图(PTDG)来改进多任务推荐系统,解决了传统架构中信号衰减的问题。PTDG基于物品特征动态调整任务间的依赖路径,使用带有自适应掩码的图卷积网络(GCN)创建信息捷径并稳定优化。在KuaiRand1K和工业数据集上的实验表明,PTDG可将稀疏转化任务的AUC显著提升高达1.45%,并改善了在线A/B测试指标,包括转化率(CVR)提升1.2%,有效每千次展示成本(eCPM)提升1.9%。
-
GENIE水印方案保护用于链接预测的GNN
研究人员开发了GENIE,这是一种新颖的水印方案,旨在保护用于链接预测的图神经网络(GNN)模型。与以往专注于节点或图分类的方法不同,GENIE解决了在链接预测任务中保护GNN的特定挑战。该系统采用独特的触发集和秘密水印向量,并结合动态水印阈值(DWT)以确保高验证准确性以及对各种移除技术和攻击的鲁棒性。