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 machine learning 90%
- used by knowledge graph 90%
- instance of Gotit.pub 90%
- used by machine learning 70%
- instance of DagsHub 70%
- instance of alphaXiv 70%
- uses large language model 70%
- instance of Transformer++ 70%
- instance of CNN 70%
- instance of ScienceCast 70%
- instance of CatalyzeX 70%
- instance of knowledge graph 70%
16 天有情绪数据
-
New Graph Neural Network Achieves 99% Accuracy in Real-Time Gesture Recognition
Researchers have developed a novel graph neural network model for real-time gesture recognition using surface electromyography (sEMG) signals. This approach represents muscle activation patterns as graphs, enabling a ma…
-
Asymmetric Focal Loss Boosts Graph Neural Network Drug Interaction Predictions
研究人员开发了一种不对称焦点损失函数，显著提高了图神经网络预测药物-药物相互作用的准确性。这种名为 ClinicalFocal loss 的新方法被集成到关系感知图卷积网络中，与标准的二元交叉熵相比，在准确率、F1分数、AUROC 和 AUCPR 方面取得了显著的提升。该方法有效地减少了假阴性和整体分类错误，在不改变网络架构的情况下增强了对临床重要相互作用的预测。
-
SafeImpute框架提高了临床数据插补的可靠性
研究人员开发了SafeImpute，一个旨在提高缺失临床数据插补可靠性的新框架。该方法使用图神经网络来捕捉患者轨迹和相似性，并通过自适应融合技术学习插补。SafeImpute还结合了共形p值和Benjamini-Hochberg程序，以控制插补值中不可接受错误的速率，确保高风险临床决策的统计可靠性。在Mayo Clinic、MIMIC-III和MIMIC-IV数据集上的实验表明，SafeImpute在提供强大插补精度的同时，能有效控制错误。
-
新框架使用网络可用信息进行图分类
研究人员推出了一种新颖的图分类框架 NetinfoGC，该框架利用网络可用信息 (NUI) 范式。该方法通过从传播机制和经典结构描述符构建置换不变图表示，超越了传统的端到端神经网络训练。NetinfoGC 包括一个无训练程序，用于根据聚类一致性估计表示质量，作为监督学习之外任务相关信息的代理。实验表明，传统的中心性度量可以与学习到的表示方法相媲美，有时甚至优于它们，同时还显示了估计的 NUI 与下游分类准确度之间存在很强的相关性。
-
新型图神经网络'GenShin'简化了用于药物递送的脂质体设计
研究人员开发了GenShin，一种用于预测脂质纳米颗粒上蛋白质冠组成的创新图神经网络。该方法旨在通过对脂质-血浆蛋白相互作用进行排名来指导这些纳米颗粒的合理设计，以实现靶向药物递送，而无需依赖计算密集型的对接姿态。GenShin在化合物-蛋白质亲和力数据上进行了预训练，并使用脂质体蛋白质-冠丰度测量数据进行了微调，为大型脂质候选空间提供了一种实用的筛选策略。
-
新的PINN-GNN框架增强了用于无线优化的射频地图构建
研究人员开发了一种新颖的框架，结合了物理信息神经网络（PINN）和图神经网络（GNN）来构建射频（RF）地图。该方法支持从不同场景生成新的射频地图并补全现有地图，同时还能处理二维和2.5D环境数据。PINN整合了电磁传播规则，以确保从接收器位置到多径参数映射的物理一致性，而GNN则对附近接收器之间的空间相关性进行建模。实验表明，该方法在准确性和泛化性方面优于现有的基于图像、基于扩散和基于插值的方法，尤其是在数据有限的条件下。
-
几何感知图神经网络融合多种降雨数据
研究人员开发了一种新颖的几何感知图神经网络，旨在通过有效融合来自不同空间支持的数据来改进降雨场重建。该方法将不同类型的观测——雨量计（点）、微波链路（线）以及雷达/卫星（网格）——表示为网络内的不同节点层。通过跨支持消息传递，该模型整合了这些异构数据源，以提高降雨场预测的准确性。该方法在新加坡数据上进行了测试，与传统插值方法相比，其均方根误差（RMSE）降低了 23.2%，并且优于其他神经网络架构。
-
新框架支持使用自然语言控制多机器人团队
研究人员开发了一种新颖的框架，可以通过自然语言指令控制多机器人团队，从而在无需在操作期间直接调用语言模型的情况下，实时分解和执行复杂任务。该系统利用确定性有限自动机来表示任务，并利用循环神经网络将语言模型的推理提炼成紧凑、可部署的形式。然后，图神经网络将 RNN 的内部状态转换为去中心化机器人执行的控制策略，在模拟和现实场景中均表现出稳健的性能。
-
6G OFDM-RIS优化综述：基础模型和深度学习崭露头角
一篇新的综述论文探讨了6G网络中联合正交频分复用（OFDM）和可重构智能表面（RIS）配置的优化算法。它将现有研究分为四类：基于模型的凸松弛、启发式搜索、深度强化和无监督学习，以及基础模型和生成式AI等新兴方法。论文指出，与传统求解器相比，基于机器学习的方法在推理时间上提供了显著的加速，尽管由于缺乏标准化基准，直接比较存在困难。
-
联邦图学习增强电动汽车充电需求预测能力，抵御网络攻击
研究人员开发了一种联邦图学习方法，以改进电动汽车（EV）充电需求预测。该方法利用图神经网络（GNN）捕捉充电站之间的空间相关性，同时进行模型协同训练并保护数据隐私。该系统包含一个全局注意力机制用于个性化模型聚合，以及一个基于信用的函数，以增强其抵御网络攻击和数据异质性的鲁棒性。
-
图神经网络从凯莱图中学习代数性质
研究人员开发了一个通用框架，使用图神经网络（GNNs）直接从有限群的凯莱图表示中学习其代数性质。这个与性质无关的框架在阿贝尔性、幂零性和可解性上进行了测试，证明了GNNs可以仅从图结构中成功提取和区分这些代数特征。研究结果表明，凯莱图编码了重要的代数信息，可以通过图表示学习进行有效分析，为GNNs在抽象代数中的应用提供了概念验证。
-
新框架通过线索引导的发现，助力反洗钱调查
研究人员开发了一个名为 Clue2Group 的新框架，以协助反洗钱调查。该框架克服了现有方法的局限性，允许分析人员从特定线索开始，逐步揭示金融网络中隐藏的犯罪团伙及其结构。Clue2Group 构建了一个聚焦的局部调查上下文，使用图神经网络估算风险场，并整合各种证据类型来识别连贯的洗钱团伙，展示了其在实际反洗钱工作流程中的实用价值。
-
新的TGHE框架可在大型图上实现隐私保护的图神经网络推理
研究人员开发了TGHE，一个用于边缘云系统中隐私保护图神经网络（GNN）推理的新型框架。与难以处理大型数据集的先前以图为中心的方法不同，TGHE通过利用交易图中的模板现象，采用以自我为中心的方法。这使得它能够将结构相似的局部计算树规范化并打包到共享密文中进行并行处理，从而显著提高效率并能够分析更大的图。
-
新方法为交流潮流 GNN 生成对抗性输入
研究人员开发了一种为用于交流潮流模拟的图神经网络模型生成对抗性输入的方法。该技术涉及构建和求解优化问题，以识别导致神经网络预测解与实际交流潮流方程之间出现显著差异的输入点。该研究使用一个14节点测试电网在 CANOS-PF 模型上进行了演示，显示出无功功率高达 3.7 per-unit 和电压幅值高达 0.08 per-unit 的误差。研究结果强调了对这些神经网络代理模型进行鲁棒验证和训练方法的必要性。
-
新研究发现，在节点预测任务上，先进的GFM仅略优于GNN
一项最新研究重新评估了九种图基础模型（GFM）在节点属性预测任务上的表现。节点属性预测是图机器学习中的一项常见应用，用于欺诈检测和推荐系统等领域。研究发现，只有采用先验数据拟合网络（Prior-data Fitted Networks）范式的GFM才能优于精心调优的图神经网络（GNN）。然而，这些先进的GFM带来了更高的推理成本。
-
新型AI模型MORL-A2C在食品推荐中平衡健康与偏好
研究人员开发了MORL-A2C，这是一种用于增强个性化食品推荐系统健康度的新方法。该方法通过采用顺序决策策略来平衡用户偏好与营养健康，从而扩展了现有的MOPI-HFRS。MORL-A2C利用图神经网络和优势Actor-Critic算法对推荐进行重排，在健康度对齐方面取得了显著改进，同时仅略微降低了排名质量。研究还识别并纠正了MOPI-HFRS评估流程中的一个错误，确保了更准确的基线性能报告。
-
新的图神经网络（GNN）传播谱理论为信号保持提供了见解
研究人员开发了一种用于归一化校正图神经网络（GNN）传播的谱理论，重点关注该算子如何通过多层保持类别区分信号。他们的关键发现是，在特定的图信号和特征信噪比（SNR）条件下，经过对数次传播步骤后，二元上下文随机块模型（Contextual Stochastic Block Model）的精确恢复定理。该研究还包括一个多类部分恢复定理，并通过合成和真实节点分类实验进行了经验验证。
-
图神经网络加速超导电路仿真
研究人员开发了SuperCond-GNN，这是一种用于仿真超导电路的新型图神经网络。该模型可以预测高温超导磁体的电压分布，为传统的电路求解器提供了一种可扩展的替代方案。该网络根据电路拓扑、材料特性和工作电流学习电响应，在初步测试中实现了4.3%的平均绝对百分比误差。该框架可适应各种配置，有助于设计探索和实时监控。
-
新协议ChemGuard揭示分子GNN后门攻击中的漏洞
研究人员推出ChemGuard，一种通过考虑分子数据的化学有效性和一致性来评估分子图神经网络（GNN）后门攻击的新协议。该方法表明，许多现有的基于图的后门攻击在经受实际的接纳检查时会失效。为解决此问题，开发了一种名为ChemBack的新攻击方法，该方法构建了能够通过接纳且与干净分子相似的化学可行性毒物，即使有这些新防御措施，也显示出重大威胁。
-
新的ASR技术解决语音错误并提高判断可靠性
研究人员正在开发先进的方法来改进自动语音识别（ASR）系统，特别是在低资源语言方面以及解决特定类型的错误。一种名为Error-Aware TF-IDF的方法使用一种新颖的算法，根据历史语音错误识别来优先处理更正文档，从而显著降低词错误率。另一种名为G-SPIN的方法将语音图模型与大型语言模型相结合，通过将搜索空间限制在合理的语音替代方案内来纠正语义关键错误。此外，一项研究质疑用于评估LLM越狱尝试的自动判断的可靠性，揭示了其准确性和鲁…