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 IArxiv 95%
- instance of Graph Neural Networks (GNNs) 95%
- instance of alphaXiv 90%
- developed Gotit.pub 90%
- instance of CatalyzeX 90%
- developed CORE Recommender 90%
- instance of graph attention network 90%
- instance of Graphsage 90%
- instance of graph convolutional network 90%
- used by Link prediction 90%
- instance of Node Classification 90%
- instance of Graph Convolutional Networks 90%
- 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
17 天有情绪数据
-
新的 G^2MLP 框架将图几何从 GNN 提炼到 MLP
研究人员开发了一个名为图几何感知 MLP (G^2MLP) 的新提炼框架，以提高 MLP 在使用图神经网络 (GNN) 知识进行训练时的性能。现有方法通常无法捕捉图诱导的几何结构，导致在稀疏图上出现频谱欠拟合，在密集图上出现频谱过拟合。G^2MLP 通过使用 Ollivier-Ricci 曲率来指导提炼过程，在预测级和表示级对齐之间分配监督，从而解决这些问题。这种方法在节点分类基准测试中始终优于无图提炼基线，并且可以应用于各种 GNN 架构。
-
新ONDA框架通过算子值波增强长距离图学习
研究人员推出了一种新颖的长距离图学习框架ONDA，该框架利用算子值信息波。该方法通过在茎之间使用矩阵值传输来增强图神经网络，从而实现远距离节点之间更有效的通信。ONDA的框架通过由学习到的层传输算子控制的二阶动力学来演化茎值表示，将类波传播与几何表达能力相结合。该系统在各种基准测试中均显示出持续的改进，包括长距离传播和图瓶颈，其性能优于现有的标量波传播和扩散层基线。
-
CircuitGate 通过功能建模推动 AI 在逻辑综合领域的进步
研究人员开发了 CircuitGate，这是一个用于学习与非图 (AIG) 表示的新颖框架，其分析超越了传统的门级分析。这种新方法通过显式编码全局初级输入支持并对扇入之间的重收敛进行建模，结合了受逻辑启发的布尔约束以实现功能一致性，从而专注于电路级功能建模。在 ForgeEDA、EPFL 和 ITC'99 等基准测试上的评估表明，CircuitGate 在等效门识别和信号概率预测等任务上优于现有方法，证明了其在捕获电路级功能依赖性方面的有效性。
-
新的N-GNAS框架通过为节点特征定制架构来增强GNN
研究人员开发了一种新颖的节点级图神经网络架构搜索（N-GNAS）框架，旨在增强图神经网络（GNN）的性能。与将统一操作应用于所有节点的传统方法不同，N-GNAS根据不同节点子集的结构和特征特性动态选择合适的网络架构。这种方法旨在缓解过平滑等问题，并提高非欧几里得数据处理的准确性。在八个数据集上的实验表明，N-GNAS在CiteSeer数据集上取得了78.26%的准确率，超越了现有的GNAS技术和人工设计的GNN。
-
新的EDiS框架优化图神经网络训练
研究人员开发了EDiS，一个旨在优化图神经网络（GNN）训练的框架，通过解决边选择相关的计算成本问题。EDiS将初始结构提取与每轮周期的图组合分开，允许缓存的边不相交子图的重用。该方法能够在训练周期中动态组合图，而无需重复采样或重新计算，从而在各种节点分类基准测试中提高了性能。
-
连接组图学习需要不确定性量化来获得值得信赖的生物标志物
一篇新发表在arXiv上的论文探讨了在应用于连接组学图学习模型中不确定性量化（UQ）的关键需求。研究强调，尽管像图注意力网络（GATs）这样的模型可以达到很高的诊断准确性，但它们在预测时常常表现出严重的过度自信。一项使用SUDMEX CONN数据集进行可卡因依赖分类的案例研究证明了这个问题，其中被错误分类的受试者获得了高置信度分数。该论文认为，严格的UQ和校准机制对于在临床神经科学中开发值得信赖的生物标志物至关重要。
-
新框架利用双重学习提升图神经网络的OOD泛化能力
研究人员开发了两种新颖的框架：Co-Train 和 Dual-Space Retrieval，以增强图神经网络（GNNs）的分布外（OOD）泛化能力。这些方法利用了监督学习和自监督学习（SSL）表示的互补信号，以提高在图分布发生变化时的节点分类准确性。Co-Train 在训练期间整合这些表示，而 Dual-Space Retrieval 在推理时结合预测。跨各种 GNN 架构和 SSL 目标的实验表明，与纯粹的监督 OOD 基线相比，…
-
新型逆交叉谱神经网络处理多元时间序列
研究人员开发了逆交叉谱神经网络（iCSNNs），这是一种专为平稳多元时间序列设计的新型图神经网络。与先前假设独立观测值的模型不同，iCSNNs 通过使用逆交叉谱密度矩阵作为移位算子来捕获时间上和跨变量的依赖关系。这些算子编码变量之间的特定频率关系，并且模型将频率分组到不同的频带中以共享算子，从而实现更紧凑的参数化。伴随的联合学习过程允许估计频域依赖结构和 iCSNN 参数，并使它们适应特定任务。在合成数据上的初步测试表明，iCSNN …
-
新框架GRIP验证图神经网络中的长程交互
研究人员引入了一个名为GRIP（Generally Ranged Interactions Problem）的新框架及其泛化TRIP（Truly Ranged Interactions Problem），用于严格验证图神经网络（GNNs）中的长程交互。该框架建立在四个可验证的公理之上：可预测性（Predictability）、紧密性（Tightness）、严格k范围（Strictly k-Range）和拓扑不变性（Topology-I…
-
新的编译器和基准提供了对 GNN Explainer 的严格评估
研究人员开发了 Gracr，一种将分级模态逻辑公式转换为图神经网络 (GNN) 权重的创新编译器。该方法用编译取代了传统的 GNN 训练，确保模型的行为精确复制逻辑公式。为了严格评估 GNN Explainer，引入了一个名为 GracrBench 的新基准，该基准使用这些编译后的 GNN 来为解释提供精确的地面真实。使用 GracrBench 的实验表明，许多现有的 Explainer 在面对间接影响或相同逻辑的替代实现时缺乏鲁棒性。
-
新方法通过高阶拓扑增强图表示学习
研究人员开发了一种新的图表示学习方法，该方法融入了高阶拓扑。这种方法通过位置编码丰富了具有拓扑信息的图表示，使得标准的图学习模型无需修改即可利用这种结构。所提出的方法使用从团复形派生的霍奇拉普拉斯算子，在 ZINC 和合成数据集等基准测试中显示出改进的预测性能。
-
新方法改进了交互动力学系统的AI模型
研究人员开发了一种新颖的方法来对交互动力学系统进行建模，为每个对象引入局部坐标系。这种方法增强了图神经网络中的旋转平移不变性，从而提高了泛化能力。在各种场景（包括交通场景、动作捕捉和粒子碰撞）中的实验表明，这种新方法优于当前最先进的技术。
-
图神经网络优化6G波束成形
研究人员开发了新颖的图神经网络（GNN）来优化6G无线系统的混合波束成形，解决了宽带频率下的波束倾斜等挑战。所提出的GNN结构在二分图模型中以各种方式表示，与传统和现有的机器学习方法相比，提供了更高的性能和更低的计算复杂度。这些GNN在不完美的信道状态信息下表现出鲁棒性，并且无需重新训练即可泛化到多用户场景。
-
模型到数据蒸馏增强图神经网络
研究人员推出了一种名为模型到数据（M2D）蒸馏的新方法，用于图神经网络（GNN）。该技术将复杂GNN学到的属性（如公平性和鲁棒性）转移到图数据本身。然后，可以使用增强的图数据来训练更简单的GNN模型，使它们能够继承图注意力网络和图Transformer等更复杂的教师模型的理想特性。
-
新的GHR框架增强了图神经网络在长距离依赖方面的能力
研究人员推出了一种名为图分层递归（GHR）的新框架，旨在增强图神经网络（GNN）和图Transformer的能力。GHR解决了这些模型在捕捉图中遥远区域之间相关性方面面临的基本限制。通过在输入图和池化的分层抽象上进行操作，GHR在需要长距离依赖的任务上表现出改进的性能，并在范围外泛化场景中尤其出色。该框架持续改进现有的消息传递骨干网络，并在各种基准测试中取得了最先进或具有竞争力的结果。
-
新的GraphToxin攻击可从GNN中重建已删除数据
研究人员开发了GraphToxin，一种能够从图神经网络（GNN）中重建整个未学习图的新型攻击。该方法超越了以往的成员推理攻击，不仅恢复了已删除的单个数据，还恢复了其邻居的敏感信息。GraphToxin利用曲率匹配模块进行细粒度引导，并在白盒和黑盒场景中都显示出有效性，突显了当前图解构验证标准的局限性。
-
新框架统一了六种范式下的55个高光谱图像模型
一份新的技术报告介绍了一个名为“高光谱图像模型”的框架，该框架旨在标准化和统一高光谱遥感深度学习模型的发展。该框架整合了六种主要范式下的55个模型，包括CNN、Vision Transformers和Mamba，以及来自各种传感器的24个基准数据集。该倡议旨在通过提供一个通用注册表、标准化的数据适应和稳健的评估方法来防止准确性指标虚高，从而解决该领域的碎片化和不一致问题。
-
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。
-
新的SD3MF框架增强了脑网络分析的可解释性
研究人员开发了一个名为监督式深度多模态矩阵分解（SD3MF）的新框架，旨在提高脑网络分析的可解释性，同时保持高预测准确性。该方法将传统的矩阵分解技术扩展到处理多模态数据和监督预测任务。实验表明，在分析连接组数据集方面，SD3MF的表现优于卷积神经网络（CNN）和图神经网络（GNN）等深度学习模型，并提供了生物学上可解释的见解。
-
Scaffold 框架利用支持图论稀疏化 GNN
研究人员开发了 Scaffold，一个利用支持图论对图神经网络 (GNN) 进行稀疏化的新框架。该方法旨在通过移除边但保留关键通信路径来降低 GNN 的计算和内存成本。Scaffold 控制膨胀和拥塞以维持性能，在各种基准测试中，使用更少的边和更少的内存即可获得具有竞争力或更优的结果。