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 machine learning 90%
- used by knowledge graph 90%
- used by DagsHub 70%
- used by alphaXiv 70%
- instance of ScienceCast 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- used by CatalyzeX 70%
- instance of CatalyzeX 70%
- uses large-language models 70%
15 天有情绪数据
-
开发了无顶点对应随机图的比较新方法
研究人员开发了在无法进行顶点对应的情况下比较随机图的新方法。该研究侧重于此类检验所需的图的数量以及不同图统计量在检测差异方面的有效性。对于特定类型的 Erdős--Rényi 图差异，研究表明一定数量的图是必要且充分的，其中带符号三角形计数被证明是有效的。研究结果还表明，在 graphon 极限下，图神经网络特征和度分布表现相似，并且错位会显著增加准确测试所需的图数量。
-
新的图神经网络框架解决了优化问题
研究人员推出了一种名为GraphPDHG的新型消息传递框架，旨在解决图的鞍点问题。该框架基于Chambolle-Pock原始-对偶混合梯度（PDHG）方法，旨在通过模拟PDHG来有效地解决一类图的鞍点问题。所提出的网络展示了学习加速PDHG算法的能力，与标准的图神经网络相比，显示出改进的尺寸泛化能力。
-
AI系统利用面部和身体关键点监控火车司机警觉性
研究人员开发了一个基于视觉的系统，使用单个RGB摄像头和图神经网络来监控火车司机的警觉性。该系统通过分析面部和上身关键点，将司机状态分为警觉、不警觉和紧急状态。在光照条件下，结合面部和骨骼特征实现了三分类模型81%的最高准确率，区分警觉和不警觉状态的准确率为99%。该研究还引入了一个用于训练和评估此类系统的新数据集。
-
AI模型从显微组织数据中推断合金配方
研究人员开发了一种从金属显微组织和织构推断合金成分和加工参数的方法。他们使用包含107个镁合金挤压条件的数据集，将传统的统计描述符与图神经网络和学习嵌入进行了比较。图神经网络方法在识别合金成分方面显示出潜力，并在预测工艺参数时显著降低了温度误差。
-
新型ZAGNet模型使用图神经网络进行肺部超声诊断
研究人员开发了ZAGNet，一种新颖的区域感知图神经网络，用于患者级别的肺部超声诊断。该网络通过将病理学发现表示为图，解决了当前AI方法的局限性，从而允许跨解剖区域传播上下文信息。ZAGNet可以有效地处理具有缺失区域的不完整扫描协议，并在诊断实变和胸腔积液方面比传统池化方法显示出显著的准确性提高。
-
图神经网络可靠性在蛋白质功能预测中的探索
一篇新发表在arXiv上的研究论文探讨了图神经网络（GNNs）在预测蛋白质功能方面的可靠性。该研究调查了蛋白质网络中的组织特异性互作结构是否包含有助于识别不可靠预测的信息。研究人员发现，有效电阻（一种先前用于缓解GNN中过度压缩的信号）与这些网络中的度数呈强相关。虽然这种残差信号解释了在保留网络中额外的每节点损失，但其影响受到度数退化的限制，并且在选择性预测方面的改进微乎其微。
-
图神经网络提升宇宙射线探测精度
研究人员开发了一种新方法，使用深度集成图神经网络来重建射电望远镜阵列探测到的宇宙射线的方向和能量。通过将触发的天线表示为图结构并将物理知识集成到GNN中，该方法提高了精度并减少了对大量训练数据的需求。该方法在模拟数据上实现了0.092度的角度分辨率和16.4%的能量重建分辨率，同时还纳入了不确定性估计以提高可靠性。
-
图神经网络应对局部优化挑战
研究人员开发了一种新颖的图神经网络组合优化方法，该方法解决了每个节点信息可用性有限的挑战。这种被称为“局部集覆盖”的方法确保节点仅基于其直接邻域做出决策，而这些局部选择可以组合成全局可行的解决方案。研究证明，对于这个问题，图神经网络的深度比其容量更关键，表明具有足够深度的网络可以复制甚至超越传统贪婪算法的性能。
-
AI技术推动混合整数规划研究进展
两篇新研究论文介绍了用于解决复杂数学优化问题的先进AI技术。第一篇论文ReMILP使用重构对比学习来创建混合整数线性规划（MILP）的通用表示，提高了解决方案预测等任务的性能。第二篇论文介绍了AutoMIP，一个自主研究代理，它系统地管理竞争性想法和实验轨迹，以在基准数据集上找到MILP和混合整数非线性规划（MINLP）的新最佳解决方案。
-
MANET-GNN 使用图神经网络进行分布式功率分配
研究人员开发了MANET-GNN，这是一种新颖的图神经网络，专为多通道移动自组织网络（MANET）中的分布式功率分配而设计。该框架解决了在无基础设施环境中跨多个频率通道和不同流量模式优化功率分配的复杂性。MANET-GNN仅使用本地信道状态信息和有限数量的邻居消息交换来运行，从而实现高效、低延迟的推理，并能泛化到各种网络拓扑和大小。
-
新方法提升神经PDE求解器的准确性和效率 · 跟踪4个来源
研究人员正在探索训练偏微分方程（PDE）神经求解器的新方法，以提高其准确性和效率。一种方法侧重于在简单预测分数之外评估所学的动力学，提出了一个框架来评估误差形成、集合几何和极端事件。另一种方法为非结构化神经PDE求解器引入了一个数据高效的预训练框架，利用几何驱动和物理驱动策略来减少对昂贵数据集的依赖。此外，一种名为“任意维度机器学习”的技术，利用图神经网络，允许在低维度训练的PDE求解器应用于高维度，并提高性能和降低计算成本。
-
新研究质疑用于太阳能斜坡预测的 Advection-Aware GNN
一篇新发表在 arXiv 上的研究调查了 Advection-Aware 图神经网络 (GNN) 在预测太阳能功率斜坡方面的有效性。研究发现，尽管基于云运动矢量 (CMV) 连接站点并未优于更简单的 GNN，但提供准确的运动矢量作为输入特征显著提高了预测精度。该研究还引入了一种自监督云运动估计器，其结果优于传统的互相关方法，缩小了太阳能斜坡预测的性能差距。
-
JointMatch 将网约车匹配与图神经网络相结合
研究人员开发了JointMatch，一个将网约车匹配问题统一为单一图神经网络求解器的新型框架。该方法通过同时考虑请求配对和车辆分配，解决了传统顺序方法的局限性。JointMatch 在纽约市出租车数据上展示了收入和计算效率的显著提高，优于现有的启发式方法和两阶段GNN基线。
-
MetaRTL框架通过元路径注意力增强关系表学习
研究人员推出MetaRTL，一个新颖的两阶段框架，旨在改进关系表学习，特别适用于大型真实世界数据库。该方法利用轻量级预训练进行初始表嵌入，然后进行非参数消息传递以导出元路径特征。这些特征随后由一个名为MetaAttn的注意力模块处理，该模块能有效地捕获丰富的关系语义。在10个真实世界数据集的24项任务上的实验表明，与现有的深度图神经网络方法相比，MetaRTL具有更高的有效性和效率。
-
新的 HP 方法增强了图神经网络评估的稳定性
研究人员开发了一种名为 HP（同质性感知分层）的新方法，以提高图神经网络 (GNN) 评估的可靠性。传统的 GNN 训练和测试数据随机划分可能导致报告的准确性因划分中邻域同质性的差异而产生显著变化。HP 通过基于节点同质性进行数据分层来解决这个问题，确保不同的测试折叠具有相似的局部关系一致性，并保持类别分布。该方法在 15 个数据集和 7 种 GNN 架构的基准套件中展示了更高的稳定性和可靠性。
-
图神经网络模型预测个体网络流量流
研究人员开发了一种图神经网络（GNN）模型，能够预测个体流量级别（NetFlow）的网络流量。该模型能有效捕捉网络数据中的图结构和连接特征，在识别与连接相关的特定端口和IP地址方面优于现有预测方法。该方法展示了GNN在详细NetFlow预测方面的潜力。
-
FoundAna：用于可泛化图异常检测的新型 GNN-Transformer 模型
研究人员推出 FoundAna，这是一种专为可泛化图异常检测设计的新型基础模型。该模型结合了图神经网络 (GNN) 和 Transformer 架构，并通过四种位置编码进行增强，以捕获局部和全局结构信息。FoundAna 旨在克服现有方法需要为每个数据集训练单独模型的局限性，从而提高在各种真实场景中的可迁移性。在金融、社交和引用网络等九个基准数据集上的实验表明，FoundAna 的性能持续优于当前最先进的基线方法。
-
新的稳定滤波器增强了图信号生成模型的性能
研究人员开发了一个新的框架，用于设计稳定的图滤波器，以改进图信号的生成模型。这些滤波器旨在在增强结构稳定性的同时，保持图热扩散的平滑特性。在合成数据和fMRI数据上的实验表明，这些稳定的滤波器提高了鲁棒性，并能达到或超过现有热方程基线的生成质量。
-
新框架MAGER使用遗传进化来改进LLM虚假新闻检测
研究人员开发了MAGER，一个新颖的多智能体遗传进化框架，旨在增强使用大型语言模型（LLM）的虚假新闻检测能力。该框架解决了将原始传播图输入LLM时存在的模态不匹配和信息过载的挑战。MAGER自动发现优化的元路径，将复杂图压缩成信息丰富的子图，使冻结的LLM能够进行结构感知推理以进行真实性检测，尤其是在数据高效的环境中。
-
新框架 ReDIL-GNN 解决电路 GNN 中的域偏移问题
研究人员推出 ReDIL-GNN，一个新颖的框架，旨在解决由逻辑再合成引起的电路图神经网络 (GNN) 中的域偏移问题。该框架使 GNN 能够在保留先前遇到域的性能的同时，适应新的综合风格。为了指导适应，ReDIL-GNN 引入了再合成适应性指数 (RAI)，这是一个评估适应需求、可恢复性、结构覆盖率和更新兼容性的分数。