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 Graphsage 90%
- instance of Graph Information Network 90%
- used by Link prediction 90%
- used by Graphsage 70%
- instance of graph attention network 70%
- instance of CatalyzeX Code Finder for Papers 70%
- used by Gotit.pub 70%
- instance of Gotit.pub 70%
- instance of IArxiv Recommender 70%
- used by CatalyzeX Code Finder for Papers 60%
- competes with Graphsage 50%
- used by Soft Actor--Critic 50%
5 天有情绪数据
-
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。
-
新研究利用先进网络和预训练方法解决脑电图情感识别问题
两篇新研究论文探讨了基于脑电图（EEG）的情感识别的先进技术，以应对受试者间变异性的挑战。第一篇论文介绍了组共振网络（GRN），该网络结合了使用可学习原型和同步性度量的个体脑电图动态与群体共振建模。第二篇论文提出了一种名为“万能模型”（One Model for All）的通用预训练框架，旨在通过将学习分解为单变量预训练和多变量微调阶段，来稳定和改进跨异构数据集的模型。这两种方法都旨在提高情感识别模型的泛化能力和性能。
-
研究发现：图学习难以整合文本教师的见解
研究人员调查了图学习模型为何无法充分受益于基于文本的教师。他们的研究确定了导致这一局限性的六个关键因素，包括锚点强度的权衡、表示空间之间的不匹配以及优化目标中的冲突。研究结果表明，如果不解决这些根本问题，仅仅将语言模型与图神经网络结合并不能固有地提高预测性能。
-
新的基于马氏距离的注意力机制提高了AI模型效率
研究人员推出了一种新颖的注意力机制——基于马氏距离的多头注意力（MHA-CSP），它用基于马氏距离的RBF核取代了标准的点积。这种方法允许在不增加参数数量的情况下，在无限维特征空间中进行注意力计算。该方法能够直接构建树注意力，并具有用于跨头核协作的注意力网格机制，从而提高了准确性和训练效率。实验表明，MHA-CSP在长序列状态跟踪任务上优于Transformer和GCN基线模型。
-
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。