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 CatalyzeX 90%
- developed CORE Recommender 90%
- instance of graph attention network 90%
- instance of Graphsage 90%
- used by Graphsage 90%
- used by Link prediction 90%
- instance of Node Classification 90%
- instance of Graph Convolutional Networks 90%
- used by Node Classification 80%
- used by alphaXiv 70%
- used by Gotit.pub 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
18 天有情绪数据
-
时空预测基准因偏见和偏爱线性模型而受到批评
一篇新论文批判性地审查了用于图神经网络（GNN）时空预测的常用基准数据集和基线。研究表明，在Chickenpox、METR-LA和PEMS-BAY等广泛采用的数据集上，空间无关的线性模型通常能与GNN相媲美。作者将此归因于数据集中的结构性偏差，并提出了一种更严格的统计评估方法，以更好地评估GNN性能并确定新的模型开发方法。
-
DeGLIF 技术通过去除噪声图数据来增强 GNN 节点分类
研究人员开发了 DeGLIF，这是一种旨在通过解决数据集中的标签噪声来提高图神经网络 (GNN) 节点分类准确性的新技术。该方法利用留一法影响函数来近似移除单个训练点对模型参数和验证损失的影响。DeGLIF 采用理论驱动的重新标记函数来去除训练数据中的噪声，而无需预先了解噪声模型或噪声水平。实验结果表明，DeGLIF 在准确性方面优于现有的基线算法。
-
新研究统一了关系和时序 GNN 的表达能力
研究人员在强表达性彩票假说（SELTH）的框架内，探索了稀疏图神经网络（GNN）的表达能力。该研究将这一假说推广到多关系和时序图领域，并引入了关系 Weisfeiler-Leman（RWL）算法的概念。研究结果表明，参数充分的关系 GNN 可以包含保持 1-RWL 表达能力的稀疏子网络，并通过随机剪枝实现这一目标的概率得出了一个推导出的下界。该研究还证明，常见的时间 GNN 和跨图消息传递方案可以重新表述为 RGNN，继承这些表达能力…
-
新平台支持在网页视觉表示上进行机器学习
研究人员开发了一个新平台，通过捕获网页的视觉和结构属性，使其能够进行机器学习应用。该平台使用FitLayout工具渲染网页，并将视觉和布局细节存储在基于RDF的表示中。Python客户端库和REST API促进了与标准机器学习工作流的集成，允许创建基于图的表示来训练图神经网络，以完成识别关键内容元素等任务。
-
新的FCom-DICE方法可隐藏图神经网络中的社区
研究人员开发了一种名为FCom-DICE的新方法，用于保护网络中敏感社区免遭图神经网络（GNNs）识别。该技术通过对网络连接和节点特征进行微小且保持效用的修改来实现。FCom-DICE旨在降低GNNs用于社区推断的区分度，从而增强隐私。该方法在包括社交网络和金融交易数据在内的各种真实世界数据集上，表现优于仅基于结构的方法。
-
新的GNN框架通过异步更新解决过压问题 · arXiv研究
研究人员开发了一种新颖的异步消息传递框架，旨在缓解图神经网络（GNN）中的过压问题。这种新方法允许层内进行顺序节点更新，与传统的同步方法形成对比，有助于信息在长距离上传播得更有效。理论分析表明，与同步模型相比，网络深度增加时敏感度边界的衰减速度更慢。实证结果显示在多个图分类基准测试中性能显著提高，包括在REDDIT-BINARY上提高了5%，在Peptides-struct上提高了4%。
-
HyPE-GT 框架使用双曲编码用于图变换器
研究人员推出了一种新颖的框架 HyPE-GT，该框架在双曲空间中为图变换器生成可学习的位置编码。与传统的欧几里得编码相比，这种方法旨在更好地捕捉图结构数据中复杂的层次关系。该框架还提供了一种缓解深度图神经网络过平滑的方法，并在分子基准测试和大型开放图基准数据集上展示了改进的性能。
-
新框架MoRA和MoRAX利用人类移动性实现先进的地理空间人工智能
研究人员开发了两个新框架MoRA和MoRAX，旨在通过整合人类移动性数据来增强地理空间表示学习。MoRA使用移动性图谱融合遥感影像和人口统计数据等多种数据模态，以学习地点的社会经济背景和功能角色。MoRAX在此基础上，通过增加移动性洞察来增强现有的地理空间基础模型（GFMs），从而在未见过的城市和任务中实现更好的性能。这两种方法在下游预测任务中的表现均显著优于现有方法。
-
LLM 翻译信用风险模型解释，但证据表征是关键
研究人员探索了使用大型语言模型 (LLM) 将复杂的信用风险模型解释转化为更易于利益相关者理解的叙述。一项使用 Freddie Mac 贷款数据的研究比较了三种流程：标准表格（XGBoost + SHAP）、基于网络的方法（GNN + GNNExplainer）和双模组合。这些与包括 Gemma 3 4B、DeepSeek R1 70B 和 Gemini 2.5 在内的 LLM 配对。研究结果表明，证据表征方法比所使用的 LLM 对解…
-
新的逻辑框架为图神经网络提取紧凑的全局规则
研究人员开发了一个新的基于逻辑的框架，用于简单图卷积（SGC）网络中的节点分类。该框架利用最小溯因解释作为提取全局逻辑规则的中间步骤。通过识别预测节点类别所需的关键节点特征对，系统训练决策树，从而产生紧凑且准确的全局规则，其性能优于先前依赖于潜在冗余解释子图的方法。
-
新框架将语义知识注入交通预测模型
研究人员开发了一个新的时空交通预测框架，通过整合外部语义知识来增强图神经网络（GNN）。该方法利用Wikidata等通用知识图谱创建嵌入，以捕捉超越物理道路网络的关联。通过将这些语义嵌入与传统的交通传感器数据融合，该框架使GNN能够从上下文信息中学习，从而提高交通预测模型的预测准确性和可解释性。
-
BrainLinear框架提供高效、可解释的脑网络分析
研究人员开发了BrainLinear，一个旨在更高效、更可解释地分析脑网络的新框架。这种几何感知方法将功能连接矩阵映射到共享切线空间，通过对ROI对切线方向进行评分来识别疾病区分模式。在自闭症谱系障碍和阿尔茨海默病数据集上的实验表明，BrainLinear在显著降低计算成本和内存使用量的同时，其性能与复杂的GNN和Transformer模型相当或更优。
-
图神经网络：同质性而非稀有性驱动分类成功
一篇新发表在arXiv上的研究论文探讨了图神经网络（GNNs）在图内节点分类方面的性能。该研究挑战了普遍认为稀有节点因其稀有性而本质上更难分类的假设，反而提出同质性起着更重要的作用。研究结果表明，即使是稀有节点，如果它们表现出同质性，也可以被有效分类，并且用于分类异质节点的信息通常可以通过重新训练来恢复。
-
新研究利用隐式反馈解决推荐系统中的偏见问题
这篇研究论文介绍了一种利用隐式用户反馈来解决推荐系统偏见问题的方法。该研究侧重于减轻位置偏见（排名靠前的项目获得更多互动）和流行度偏见（偏爱知名项目而非小众项目）。通过开发新的学习排序和协同过滤模型技术，该研究旨在提高推荐的准确性和个性化。
-
新论文详述图神经网络（GNNs）中的过压问题
本文全面概述了图神经网络（GNNs）中的过压问题，这是一个在需要图节点之间长距离依赖时限制准确性的挑战。作者对现有的缓解该问题的方法进行了分类，并讨论了其与表达能力和过平滑（over-smoothing）的关系。该研究还概述了验证这些缓解技术有效性的方法，并指出了未来研究的开放性问题。
-
新的XIGL策略解决了图神经网络中的捷径学习问题
研究人员开发了XIGL，这是一种旨在帮助图神经网络（GNN）克服捷径学习的新策略。该方法涉及一个“人在回路”的方法，由专家用户识别和纠正捷径，即GNN利用的非因果相关性。XIGL利用GNN的解释来检测这些捷径，并采用主动学习策略来高效获取纠正性反馈，从而提高模型在分布外任务上的可靠性。
-
新框架统一图神经网络架构
一篇新研究论文提出了一个统一的层方程来表示各种图神经网络（GNN）架构。这个通用方程将GNN分解为七个核心组件，从而可以更清晰地比较它们共享的计算和结构差异。该框架组织了200多个GNN架构，并提供了关于其表达能力和局限性（如过平滑和过挤压）的理论见解。
-
ReLU-MPLang 在布尔查询方面被证明比 trReLU-MPLang 具有更强的能力
研究人员已经证明，在具有单一布尔节点特征的图上，ReLU-MPLang 在表达布尔查询方面比 trReLU-MPLang 具有更强的能力。这一发现解决了关于图神经网络中不同激活函数表达能力的一个悬而未决的问题。研究表明，在此特定背景下，ReLU-GNN 比 {TrReLU,id}-GNN 具有更强的表达能力。
-
新的EGRL框架改进了RNA-蛋白质相互作用预测
研究人员开发了一个名为EGRL的新框架，用于预测RNA-蛋白质相互作用（RPI），这对细胞功能至关重要。这种深度学习方法利用图神经网络比以往的方法更有效地模拟RPI网络。EGRL通过结合隐式元路径学习、多关系感知注意力机制和一个预测未知分子潜在边的图生成器，解决了数据稀疏性和冷启动场景。在基准数据集上的评估表明，EGRL在冷启动设置中实现了具有竞争力的性能并显著提高了泛化能力，在AUROC和AUPR方面优于先前最先进的方法。
-
新的GDCE-I方法增强了图神经网络的可解释性
研究人员开发了一种名为图扩散反事实解释通过反演（GDCE-I）的新方法，用于生成图神经网络（GNNs）的反事实解释。该方法使用离散去噪扩散模型和新颖的反演方案来生成既在数据流形上又探索完整编辑空间中的编辑。GDCE-I旨在提供忠实、充分且可理解的解释，解决了现有方法在数据分布遵循或搜索完整性方面妥协的局限性。在四个基准上的评估表明，GDCE-I表现优越，特别是在分子领域，它能产生可解释的、符合分布的解决方案。