graph neural networks
PulseAugur coverage of graph neural networks — every cluster mentioning graph neural networks across labs, papers, and developer communities, ranked by signal.
- instance of Graph Neural Networks (GNNs) 95%
- instance of GNNs and Graph Generative models for biomedical applications 90%
- instance of Graphsage 90%
- instance of graph convolutional network 90%
- instance of graph attention network 90%
- instance of Graph Convolutional Networks 90%
- instance of Gotit.pub 70%
- used by GNNs and Graph Generative models for biomedical applications 70%
- used by CatalyzeX 70%
- instance of ScienceCast 70%
- used by Graphsage 70%
- used by graph convolutional network 70%
- 2026-05-25 research_milestone Researchers proposed new polynomial-time algorithms for explaining Graph Neural Networks. 来源
- 2026-05-13 research_milestone A new graph neural network architecture was introduced for the multicut problem. 来源
- 2026-05-11 research_milestone A new method for pre-training GNNs using ECFPs shows improved performance in QSAR tasks. 来源
22 天有情绪数据
-
AI从音乐播放列表中推断敏感用户数据，提出新的防御措施
研究人员开发了一种名为musicPIIrate的新型工具，该工具使用深度学习（包括图神经网络）从公开的音乐播放列表中推断敏感用户信息。该工具可以预测人口统计信息、习惯和个性特征等属性，在多项任务上的表现优于现有方法。为了应对这一漏洞，提出了一个名为JamShield的防御框架，该框架通过战略性地添加虚拟播放列表来稀释PII信号并降低推断的准确性。
-
新的采样方法使机器学习能够处理可变大小的输入
研究人员提出了一种新颖的机器学习模型框架，该框架能够处理不同大小的输入，例如点云、序列和图。该方法利用随机采样映射来比较和近似不同维度的输入，解决了泛化到更大未见数据和高效评估的挑战。该方法为跨越各种函数类（包括在序列、图和张量上定义的函数类）的泛化和草图提供了明确的速率。
-
新的图信号流模型提供了增强的稳定性
研究人员分析了用于图信号生成的连续归一化流模型，证明了在连续时间常微分方程及其离散近似中都保持了排列等变性。该研究推导了显式的稳定性界限，以量化结构扰动如何影响采样信号。为了增强鲁棒性，引入了一种促进稳定性的正则化流匹配策略，该策略在训练期间会惩罚向量场的空间 Lipschitz 常数。
-
新的GraphAllocBench基准推动多目标策略学习
研究人员推出GraphAllocBench，一个旨在评估多目标强化学习（MORL）中偏好条件策略学习（PCPL）的新基准。该基准建立在一个名为CityPlannerEnv的新型基于图的资源分配环境之上，与之前的PCPL基准相比，它提供了更大的灵活性和可扩展性。GraphAllocBench包含可定制的目标、多样的偏好条件和复杂的帕累托前沿，以及比例非支配解（PNDS）和排序得分（OS）等新指标，以更好地评估PCPL算法的性能。对现有P…
-
图神经网络应用于优化和物理学问题 · 跟踪2个来源
研究人员正在探索图神经网络（GNNs）在组合优化和理论物理学等传统角色之外的应用。一项研究表明，GNNs可以作为欧几里得旅行商问题的有效启发式方法，通过一次前向传播学习生成完整的路径，计算成本极低。另一篇论文将GNNs（包括图Transformer）应用于高能物理学中的大规模图分类问题，取得了高精度，并提供了显著的数据压缩以加快计算速度。
-
图神经网络增强汽车软件调度
研究人员开发了一种新颖的机器学习方法，使用两级图神经网络（GNN）来合成汽车软件架构的作业级依赖（JLD）。该方法旨在限制因果链中的数据年龄，解决了现有技术在检查可调度性方面的局限性。基于GNN的生成器集成到具有差分隐私和可行性检查器的生成与验证框架中，在合成时间和解决方案质量方面均显著优于传统的贪婪启发式方法。
-
新的 GPU 方法将图神经网络可表达性分析扩展到海量图
研究人员开发了一种新方法，通过将 Weisfeiler-Leman (1-WL) 稳定着色计算扩展到海量图来分析图神经网络 (GNN) 的可表达性。他们的方法利用线性代数解释，并引入了一种随机细化算法，结合了允许在 GPU 上并行处理的批处理方案。这种 GPU 高效实现与传统的基于 CPU 的方法相比，速度提高了两个数量级，并且现在可以在具有数十亿条边的图上计算稳定着色，这在以前由于内存和顺序处理限制而无法实现。
-
新框架统一图神经网络可解释性评估
研究人员开发了一个统一的、定量的框架来评估图神经网络（GNN）的可解释性，解决了该领域缺乏一致性实践和指导的问题。这个名为 G-XAI 的新框架为图数据正式定义了表格可解释性指标，能够独立评估拓扑结构和节点特征。利用该框架进行的大规模基准测试研究，识别出了在各种指标和任务中表现一致良好的解释器，同时也证实了没有一个解释器是普遍最优的。研究结果被汇编成可用性指南，以帮助机器学习从业者部署值得信赖的 GNN 管道。
-
图Transformer框架通过保持不变性来增强图像分类
研究人员开发了SuperGT，一个基于图Transformer的框架，旨在改进超像素图像分类。这种新方法旨在捕捉图像数据中的长距离依赖关系并保持平移/旋转不变性，解决了先前图神经网络方法中的局限性。SuperGT在CIFAR-10数据集上进行了评估，与许多现有基线相比，表现更优，并且在不需要特定边界点坐标的情况下取得了与最先进的ShapeGNN相当的结果。
-
新型攻击方法TIRBA增强了GNN对节点注入的脆弱性
研究人员开发了一种名为TIRBA（面向黑盒节点注入攻击的目标感知交互引导强化学习）的新方法，以增强图神经网络（GNNs）的安全性。TIRBA通过在异构动作空间中联合优化恶意节点特征的生成和边连接的构建，解决了现有黑盒节点注入攻击的局限性。该方法利用目标感知交互编码器、用于高效特征空间探索的类别中心引导机制以及拓扑差异感知状态值评估来稳定训练。实验结果表明，TIRBA的性能显著优于当前最先进的黑盒节点注入攻击方法。
-
新框架通过更丰富的对称性统一图和层神经网络
研究人员引入了顺序等变神经网络（OENNs），这是一个利用更丰富的对称性结构统一图和层神经网络的新颖框架。该方法概括了现有方法，并引入了新的理论结果，包括线性顺序等变映射的表征以及连续顺序等变映射的通用逼近定理，这些定理此前对于层神经网络是未知的。该框架在图和层模型上进行了演示，将图神经网络已知的通用逼近定理扩展到一个更通用的设置。
-
新的 SKGFusionKAN 方法使用 GNN 和 KAN 增强物联网网络入侵检测
研究人员开发了一种名为 SKGFusionKAN 的新方法，以改进物联网（IoT）网络中的入侵检测。该方法结合了图神经网络（GNN），特别是 GraphSage，以及 Kolmogorov-Arnold 网络（KAN），以更好地处理物联网环境的动态和异构特性。该系统使用多尺度选择性核注意力机制和门控融合过程来有效提取节点和边缘特征，在多个基准测试中优于现有方法。
-
新型神经网络融合三维几何、拓扑和物理学用于分子预测
研究人员开发了一种新颖的三分支模块化融合神经网络，旨在改进分子性质预测。该框架整合了三种不同的数据模态：使用SchNet的三维空间几何、通过SMILES和ChemBERTa的离散拓扑语法，以及来自Deep & Cross网络的显式宏观理化描述符。通过结合这些正交流，该模型克服了图神经网络等传统方法的局限性，如过平滑，并在QM9基准测试中实现了0.0207 eV的原子化能预测平均绝对误差。该高效架构拥有不到一百万个参数，显著降低了误差，…
-
新方法检测人工智能驱动的反洗钱系统中的不公平性
研究人员开发了反事实方法来检测用于反洗钱（AML）的机器学习算法中的不公平性。这些技术分析敏感特征对模型预测的直接和间接影响，旨在确保公平性。该研究使用了合成的IBM AMLSim数据集，并纳入了账户国家和平均行为等新特征，这提高了包括决策树和图神经网络在内的各种模型的性能。分析显示，从这些扩展特征中获益最多的模型也表现出更大的公平性违规，凸显了在关键AML应用中预测准确性与公平性之间的权衡。
-
开发了图神经网络的新超参数迁移方法
研究人员开发了一种新颖的超参数迁移参数化方法，专门用于图神经网络（GNN）。该方法旨在通过利用来自较小、更易于管理的对应模型的见解来改进大型GNN的优化。所提出的参数化已通过SGD、Adam和AdamW优化器的验证，证明了在模型宽度和深度增加时具有稳定的特征更新和改进的性能。该工作还确定了SGD的图相关校正因子以加速早期训练，并探讨了消息传递归一化对Adam和AdamW迁移行为的影响。
-
Yandex研究人员优化GPU上的GNN，荣获ICML Spotlight
来自Yandex Research和Yandex的ML基础设施团队的研究人员开发了一种新方法来提高现代GPU上图神经网络（GNN）的效率。他们的项目解决了GNN因内存访问而非计算能力而成为瓶颈的问题，并被ICML 2026接纳为Spotlight论文。该团队发现现有框架没有得到更新，表明该领域停滞不前，并专注于优化GNN操作以更好地利用GPU资源。
-
新的对偶注意力模型推动混合整数线性规划解决方案的进步
研究人员开发了一种新颖的神经网络架构，旨在改进混合整数线性规划（MILP）问题的求解。该新模型利用对偶注意力机制，该机制同时执行类内自注意力和类间交叉注意力，以更好地将 MILP 实例表示为变量-约束二分图。在三个不同的任务上进行了测试，基于注意力的模型与现有的图神经网络（GNN）方法相比，表现出了更优越的性能，表明为学习增强的组合优化提供了更强大的基础。
-
新框架整合LLM语义以进行高级大脑网络分析
研究人员开发了SABER，一个用于分析大脑网络的新框架，该框架将大型语言模型（LLMs）的语义信息直接整合到预测过程中。该方法旨在通过用全脑上下文丰富节点表示并使用多尺度超图对功能性子网络进行建模，来提高脑部疾病诊断的准确性和鲁棒性。在ABIDE和ADHD-200数据集上的实验表明，SABER通过允许语义指导预测而不改变底层网络结构，在小样本场景下取得了最先进的性能。
-
新的SA-HGNN模型增强了基于脑电图的抑郁症识别能力
研究人员开发了一种名为SA-HGNN（样本自适应双曲图神经网络）的新模型，旨在提高基于脑电图的抑郁症识别准确性。该模型解决了捕捉抑郁症患者大脑网络层级结构方面的局限性。SA-HGNN包含一个用于个性化网络拓扑的样本自适应图构建模块，一个用于更好地表示层级关系的双曲图卷积，以及一个用于过滤脑电图信号噪声的注意力池化模块。在公开数据集上的实验表明，SA-HGNN具有卓越的性能和对噪声的鲁棒性。
-
新模型LIP增强图上的多标签节点分类
研究人员开发了一种名为标签影响传播（LIP）的新模型，以改进图上的多标签节点分类。LIP将图神经网络中的消息传递过程分解为传播和转换操作，从而能够详细分析标签影响相关性。通过构建标签影响图并传播高阶影响，LIP动态调整学习过程，以放大积极的标签贡献并减轻消极的贡献。在基准数据集上的评估表明，LIP的性能始终优于最先进的方法。