graph neural network
PulseAugur coverage of graph neural network — every cluster mentioning graph neural network across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- instance of Gotit.pub 90%
- instance of graph convolutional network 90%
- instance of machine learning 90%
- used by knowledge graph 90%
- used by DagsHub 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- instance of ScienceCast 70%
- uses large-language models 70%
- instance of DagsHub 70%
- used by Transformer++ 70%
17 天有情绪数据
-
图神经网络加速Vlasov模拟用于空间等离子体研究
研究人员开发了图神经网络（GNN）来创建更快的模拟器，用于等离子体湍动的复杂混合-Vlasov模拟。这些GNN，特别是Graph-FM和Graph-EFM，能够准确预测电磁场和离子速度分布函数时空演化。模拟器在单个GPU上运行速度比原始模拟快两个数量级，为空间物理建模中的快速集合生成提供了一个可行的框架。
-
新型CTQW-GNN架构解决了图神经网络的局限性
研究人员推出了一种新颖的图神经网络架构CTQW-GNN，旨在克服处理图结构数据时常见的局限性。该新模型利用连续时间量子行走（CTQW）来解决传统图神经网络（GNNs）面临的异质图性能不佳和节点特征过平滑等问题。通过利用CTQW传播子的酉特性，CTQW-GNN在理论上可以保持特征范数并防止信号衰减，从而缓解过平滑问题并保留对异质图至关重要的高频信息。该架构包含三个聚合模块：基于CTQW的特征演化聚合、用于多跳邻居访问的CTQW-Atte…
-
SceneGTMM框架通过GNN-Transformer架构提升地图匹配精度
研究人员开发了SceneGTMM，一个用于地图匹配的新型框架，可提高精度和鲁棒性。该系统利用双图交互架构，结合了用于道路网络拓扑的图神经网络（GNN）和用于轨迹时间依赖性的Transformer。它还采用共形映射策略进行场景感知的相对定位，提高了跨区域可迁移性和动态道路网络更新能力。实验表明，SceneGTMM的准确率超过80%，比HMM提高了5.3%，并在跨城市迁移场景中优于其他领先方法。
-
调查论文详述公平感知网络嵌入方法
本调查论文全面概述了公平感知网络嵌入方法，旨在减轻图结构数据表示中的偏差。它根据底层嵌入技术（例如，谱嵌入、随机游走、图神经网络、贝叶斯）、公平干预策略（预处理、中处理、后处理）和公平目标标准对现有方法进行了分类。论文还比较了群体公平与个体公平的方法，并讨论了开发可信赖网络表示学习的未来研究方向。
-
EquiPocket: E(3)-equivariant GNN advances protein binding site prediction
一篇研究论文介绍了一种名为 EquiPocket 的 E(3)-equi-variant 图神经网络，用于预测蛋白质结合位点，这是药物发现中的关键一步。与难以处理不规则蛋白质结构和旋转敏感性的传统 3D CNN 方法不同，EquiPocket 利用几何信息和 equi-variant 消息传递来更有效地模拟化学和空间结构。所提出的模型还包含一个密集注意力输出层，以处理蛋白质大小的变化，在基准数据集上的表现优于现有最先进的方法。
-
研究发现图稀疏化可加速 GNN 流水线
一篇新的研究论文探讨了图稀疏化作为一种加速大规模图机器学习的图神经网络（GNN）流水线的方法。研究发现，稀疏化可以在显著加快训练和推理时间的同时，保持甚至提高预测准确性。稀疏化的开销很快就被这些性能提升所抵消，使其成为处理海量图的可行技术。
-
BRAID模型使用图神经网络加速博弈均衡计算
研究人员开发了BRAID，一种利用权重绑定的迭代图神经网络来高效计算相互依赖安全（IDS）博弈中纳什均衡的新型模型。与需要数百次迭代的传统方法相比，该方法显著加快了过程，每个实例的计算速度提高了43倍。BRAID旨在学习从博弈参数到均衡努力配置的直接映射，从而实现更快的审计、压力测试和激励设计。该模型的架构可适应各种IDS规范，包括不同的成本曲率和邻域聚合方法，并且它还展示了在响应参数扰动时恢复均衡努力如何变化的能力。
-
新的DARTopic框架利用图网络增强神经主题建模
研究人员开发了DARTopic，一个用于领域无关的神经主题建模的新框架。该方法利用在预训练语言模型的token级嵌入上运行的图神经网络来捕获语料库特定的语义结构。与现有方法相比，DARTopic在通用、生物医学和法律领域的模型一致性和文档聚类方面表现出卓越的性能，而无需对底层编码器进行任何微调。
-
新的RAG框架增强了孟加拉语MCQ生成和答案预测
研究人员开发了一种新颖的、具有结构感知能力的检索增强生成（RAG）框架，旨在改进孟加拉语等低资源语言的学术选择题（MCQ）生成和答案预测。该框架将孟加拉语教科书建模为分层图，并使用图神经网络进行段落检索，为大型语言模型提供聚焦的上下文。实验表明，该方法在问题生成和答案预测的相关性和准确性方面均优于标准的密集检索方法。
-
OceanLight框架使用GNN实现高效、准确的全球海洋预报
研究人员开发了OceanLight，一个利用几何自适应非结构化网格表示结合图神经网络的新型全球海洋预报框架。与现有的数值和基于AI的模型相比，该方法显著提高了预报准确性、动能谱保真度和地转平衡一致性。OceanLight还展示了卓越的中尺度涡流表示能力，并实现了GPU内存消耗和FLOPs的大幅降低，为数据驱动的海洋学树立了新范式。
-
NICE框架为图神经网络提供尺度稳定的解释
研究人员推出了一种新颖的图神经网络（GNN）解释生成框架NICE。NICE解决了“尺度漂移”问题，这种现象是由于元素级掩蔽等标准扰动方法导致消息传递尺度确定性收缩，从而导致预测不可靠。NICE利用噪声腐蚀（NC）作为一种尺度稳定的替代方案，保持了预期的消息范数。该框架还结合了随机恢复边界（SRB）和边界集成梯度（BIG），以产生更忠实和紧凑的边归因。
-
图神经网络推动心脏组织分析，助力心律失常治疗
研究人员开发了一个图神经网络（GNN）框架，用于从稀疏的心电图信号中分析心脏组织特性。该方法在合成数据上进行训练，能够高效准确地识别纤维化、快速去极化和高兴奋性区域，并取得了高精度分数。该GNN表现出泛化能力，只需少量微调即可在曲面上表现良好，并显示出在治疗室性早搏等疾病方面的临床应用潜力。
-
OceanLight框架使用GNN进行高效的全球海洋预报
研究人员推出了一种新颖的高效全球海洋预报框架OceanLight，该框架结合了几何自适应非结构化网格表示和图神经网络（GNN）。该方法旨在克服传统基于物理的模型和结构化网格深度学习方法的计算成本和局限性。据报道，与现有的AI和业务模型相比，OceanLight在预报精度、动能保真度和地转平衡一致性方面取得了卓越的准确性，同时还有效地表示了中尺度涡旋。该框架显著降低了GPU内存消耗和FLOPs，为数据驱动的海洋学建立了一个可扩展的范例。
-
TANGCO 使用图神经网络优化容量分配并防止级联故障
研究人员开发了 TANGCO，这是一种新颖的方法，利用图神经网络和策略梯度学习来优化易发生级联故障的网络系统的容量分配。该方法解决了诸如电网和云集群等系统中不可微分目标带来的挑战。TANGCO 在各种合成和真实网络拓扑上展示了优于现有启发式方法的显著改进，显示出 1.6% 至 246% 的鲁棒性提升。该系统学习到的策略对未见过的图具有可迁移性，并且可以在没有针对性训练的情况下运行，其部署成本与启发式方法相当。
-
新型MK-TGAN模型生成逼真的合成转录组数据
研究人员开发了用于合成转录组数据的新型知识引导生成方法，旨在提高生物医学研究数据集的质量和实用性。对生成模型，特别是生成对抗网络（GANs）进行了比较分析。该研究重点介绍了MK-TGAN，一种新的基于多核图神经网络的模型，它通过基因图有效整合了先验生物知识，在生成逼真且具有生物学合理性的合成数据方面表现出卓越的性能。
-
新的 Transformer 模型 TRACE 改进了学生成绩预测
研究人员开发了一种名为 TRACE（TRansformer for Academic Course-grade Estimation）的基于 Transformer 的新模型，以改进对学生学业成绩的预测。与将学业历史视为简单序列的先前模型不同，TRACE 考虑了同一学期内所修课程的并发性。通过联合预测学生将要修读的课程及其相应的成绩，该模型与仅预测成绩或使用传统 LSTM 和 GNN 方法的模型相比，显著降低了预测误差。这种在十年机构…
-
AutoGrable 方法为表格数据分析生成最优图结构
研究人员开发了 AutoGrable，一种从表格数据构建有效图的新颖方法，这是应用图神经网络（GNN）的前提。AutoGrable 使用一个基于图结构如何区分具有不同标签的数据点的标准，而无需在每个潜在图上训练 GNN。这种方法可以高效地搜索图配置，识别表格和关系数据库的最佳列选择。
-
新的GNN编码器可实现图优化任务的可迁移模型
研究人员开发了一种新的图神经网络（GNN）编码器，该编码器利用GCON模块进行表达性消息传递和基于能量的无监督损失函数。该模型在单独训练时，在各种组合优化（CO）任务上表现出具有竞争力的性能。通过借鉴计算可约性文献的知识，研究人员提出了预训练和微调策略，实现了在MVC、MIS和MaxClique等任务之间以及包括MaxCut、MDS和图着色在内的多任务设置中的有效迁移学习。研究结果表明，学习图CO问题的通用表示是可行的，为神经CO领域…
-
ProTAGAD模型解决了文本属性图中的异常检测问题
研究人员开发了ProTAGAD，这是一种新颖的基础模型，专为文本属性图（TAGs）中的异常检测而设计。该模型解决了联合分析拓扑结构和文本语义的挑战，而传统方法由于深度跨模态耦合而常常难以应对。ProTAGAD利用解耦的拓扑和文本原型来独立建模结构正常性和语义一致性，从而分离出细微的异常信号。在14个基准数据集上的实验表明，ProTAGAD取得了最先进的性能，尤其是在跨域泛化方面，并有效缓解了耦合模型中存在的“模糊异常边界”问题。
-
新型分子大语言模型使用子结构推理以改进属性预测
研究人员开发了MR-MoL，这是一种新颖的分子大语言模型（LLM），用于药物发现中的属性预测。与现有隐式表示分子的模型不同，MR-MoL显式地将子结构归因作为推理。这种推理源自微调的图神经网络，通过突出显示不同粒度（如Murcko骨架、BRICS片段和官能团）的影响分子成分来指导LLM。该模型在八项MoleculeNet任务上表现出色，优于通用模型，并缩小了与专用模型的差距，同时诊断证实了其有效利用了提供的推理。