graph convolutional network
PulseAugur coverage of graph convolutional network — every cluster mentioning graph convolutional network across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
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。
-
新的AGREE框架统一了用于图聚类的异构属性
研究人员推出了一种新颖的框架AGREE，旨在应对异构属性图聚类的挑战。该端到端系统通过多级对齐和基于相似性的构建，将数值和类别数据等多种属性类型与图拓扑统一起来。AGREE采用基于四元数的图卷积来增强属性交互并减轻表示退化，同时利用浅层图架构来解决过平滑效应。该框架联合优化图重构和聚类的嵌入，在准确性、鲁棒性和适应性方面在各种基准测试中均表现出色。
-
新的GNN方法通过早退加速链接预测
研究人员为图神经网络（GNN）开发了早退策略，以提高链接预测任务中的推理速度。这种方法允许GNN在没有显式辅助损失的情况下提前退出，有可能提高预测质量，同时显著降低延迟。该方法在HeaRT等基准测试中，对于GCN和SAS-GNN骨干网络，已显示出推动帕累托前沿的潜力，为GNN在大规模领域中的应用提供了途径。
-
新的基准测试MolGraphBench评估用于分子回归任务的图神经网络
一项名为MolGraphBench的新基准测试已被推出，用于评估用于分子回归任务的图神经网络（GNN）架构。该基准测试由Ishaan Gupta提出，分析了四种常见的GNN模型，发现图卷积网络（GCN）和图同构网络（GIN）表现最佳。研究还表明，在融合框架中，分子指纹可能与GNN不互补，并强调了将GNN层类型视为可调超参数以获得更优性能的重要性。
-
新的 HGCN(O) 工具包通过自调优 GCN 增强事件序列预测能力
研究人员推出 HGCN(O)，这是一个用于通过图卷积网络 (GCN) 预测事件序列数据中结果的自调优工具包。该工具包包含四种不同的 GCN 架构，并支持多种图表示，可针对平衡和不平衡数据集的预测准确性和稳定性进行优化。实验表明，HGCN(O) 的性能优于传统方法，其中特定的 GCNConv 模型在不平衡数据上表现尤为出色，并可应用于预测性业务流程监控等领域。
-
新的GNN模块解决结构纠缠以改进节点分类
研究人员开发了一个名为边界嵌入塑造（BES）的新即插即用模块，旨在提高图神经网络（GNN）的性能。BES专门解决了图结构纠缠问题，在这种问题中，不相关的邻居信息会污染节点嵌入，尤其会影响靠近类别边界的节点。通过自适应地抑制这种结构噪声，BES旨在提高分类准确性和预测稳定性，而不会显著改变模型参数。实验表明，BES在节点分类和链接预测任务中提高了GCN的性能。
-
图神经网络深度学习应用于地图泛化任务
本研究论文探讨了图神经网络深度学习在地图泛化中的应用，特别是针对建筑轮廓的简化与聚合。研究评估了图卷积网络（GCN）、图注意力网络（GAT）和GraphSAGE等图神经网络架构，发现GraphSAGE在聚合的链接预测方面表现良好，但在简化的精确节点移动预测方面面临挑战。研究结果表明，对于当前的深度学习模型而言，地图聚合比简化更为复杂，并指出了未来方法学发展的方向。
-
新的DRL框架优化城市电动汽车车队控制
研究人员开发了一个新的城市电动汽车（EV）车队控制框架，该框架使用分布鲁棒强化学习（DRL）来处理不确定的需求和出行时间。这种名为PD-RSAC的方法可以优化调度、重新定位和充电决策，同时严格遵守充电器和馈线容量限制。使用纽约市出租车数据进行的实验表明，PD-RSAC将净利润显著提高到122万美元，优于各种启发式和强化学习基线。
-
新型P-K-GCN模型利用物理学和库普曼理论增强时空超分辨率
研究人员开发了一种新颖的物理增强型库普曼增强图卷积网络（P-K-GCN），用于处理不规则几何形状上的时空超分辨率。该方法将基于连续样条的GCN与库普曼算子理论相结合，以在潜在空间中线性化非线性动力学。该框架通过基于物理学的损失函数得到进一步增强，以确保遵守物理定律，理论上通过降低Rademacher复杂度来减少超分辨率误差。在从稀疏测量重建心脏电动力学方面的评估表明，P-K-GCN在准确性方面优于基线模型。
-
LLM Features Can Harm GNN Performance on Homophilous Graphs
一篇新研究论文揭示，将大型语言模型（LLM）生成的特征整合到图神经网络（GNN）中，有时会降低在特定基准测试上的性能。这种被称为“连接干扰”的效应，在LLM特征被简单地附加到现有数据时被观察到，导致在PubMed和Cora等数据集上的准确性显著下降。研究表明，LLM特征的有效性取决于超越简单连接的因素，在中等同质性数据集上观察到了性能提升。
-
新型Transformer模型增强3D场景图生成能力
研究人员开发了SGFormer++，这是一种新颖的语义图Transformer，用于增量式3D场景图生成。该模型利用Transformer层进行全局消息传递，克服了传统图卷积网络的局限性。关键创新包括用于高效上下文集成的图嵌入层++（Graph Embedding Layer++）和用于通过大型语言模型及视觉语言模型的语言先验丰富视觉特征的语义注入层++（Semantic Injection Layer++）。SGFormer++还集…
-
新研究探索更快的GNN和统一理论 · 跟踪2篇论文
两篇最新的arXiv论文探讨了图神经网络（GNN）的进展。第一篇论文介绍了GNN的早期退出策略，以在不显著牺牲预测质量的情况下提高推理速度，并在HeaRT基准上进行了演示。第二篇论文提出了一个更统一的GNN理论框架，认为当前谱图神经网络和消息传递图神经网络之间的划分过于局限，更广阔的视角可以加速图学习的进展。
-
撤稿论文详述基于GCN的EEG癫痫发作检测
一项已被撤稿的研究论文提出了一种使用图卷积神经网络（GCN）应用于脑电图（EEG）信号来检测癫痫发作的框架。该方法包括将EEG信号分解为五个频带并提取特征，然后将这些特征输入GCN以模拟空间依赖性。在CHB-MIT数据集上的实验显示出高精度，尤其是在中频带，这表明与传统的宽带方法相比，可解释性和诊断精度有所提高。
-
基于WiFi的新型人体姿态估计使用复杂Mamba
研究人员开发了C-MambaPose，一个利用WiFi信号进行人体姿态估计的新型框架。该系统利用复杂Mamba和图卷积网络组件来解释WiFi信道状态信息，专注于相位动力学以提高准确性。C-MambaPose在跨环境估计方面表现出卓越的性能，并且在保持可比的模型尺寸的同时，显著减少了参数数量。
-
图神经网络为选品优化提供高效解决方案
研究人员开发了一种新颖的图卷积网络（GCN）框架来解决复杂且计算密集型的选品优化问题。该方法将选品问题表示为图，使GCN能够学习最优的产品选择。该框架表现出卓越的可扩展性，在小型数据集上训练的模型能够有效地泛化到更大的问题，在包含多达2000种产品的实例上，在几秒钟内即可获得超过85%的最优收入。
-
Optimus图SSL匹配GCN，标签数量减少5倍
一种新的无训练图半监督学习方法Optimus已被开发出来。该方法在性能上可媲美图卷积网络（GCN），但所需的标记数据点显著减少，具体是原来的五分之一。Hugging Face Spaces上提供了一个在线演示，允许用户测试该系统在不同数量标签下的表现，甚至可以使用他们自己的数据集。
-
研究人员寻求帮助以解决表现不佳的欺诈检测图神经网络模型
一位Reddit用户正在寻求有关用于欺诈检测的图神经网络（GNN）模型的帮助。尽管进行了特征工程并使用IEEE CIS欺诈检测数据集构建了异构图，但与最先进的模型相比，该模型在AUC、PR-AUC、recall@5%和precision@5%方面的表现并未达到预期。用户尝试了GCN、GraphSAGE和GAT，结果相似，并正在寻求有关潜在问题的指导。