graph neural networks
PulseAugur coverage of graph neural networks — every cluster mentioning graph neural networks across labs, papers, and developer communities, ranked by signal.
- 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
14 天有情绪数据
-
新的B-cos GNN提供更快、固有的模型可解释性
研究人员开发了B-cos GNN，这是一种新型图神经网络，专为固有的可解释性而设计。这些模型使用动态线性将预测分解为每个节点、每个特征的贡献，无需辅助解释器或修改学习目标。虽然B-cos GNN可能会在预测准确性上造成微小损失，但它们提供了最先进的可解释性，并且比现有的事后方法生成解释的速度显著更快。
-
图神经网络增强了图信号分析中的社区检测
研究人员开发了一种新的图分析社区检测方法，将图神经网络（GNNs）与用于信号插值的单位分解法（PUM）相结合。该方法利用GNNs识别图中的社区，然后用于构建局部子域以计算插值。在基准数据集上的数值实验表明，这种组合技术能够准确地重建信号，证明了基于深度学习的社区检测在可扩展图信号分析中的有效性。
-
World Bank uses AI to create detailed economic maps from open data
A new World Bank paper details how graph neural networks and open data can create detailed economic maps. The research integrates population data, satellite imagery, and OpenStreetMap to provide granular insights for de…
-
新的GHR框架增强了图神经网络处理长距离依赖的能力
研究人员推出了一种名为图分层递归（GHR）的新框架，旨在改进图神经网络（GNN）和图Transformer处理图数据中长距离依赖的方式。GHR在原始图和分层抽象上进行操作，使其能够更有效地捕捉遥远图区域之间的相关性。该框架在范围外泛化和高参数效率方面表现出色，在使用的参数显著减少的情况下，性能优于现有模型。
-
新的AIM框架标准化GNN可解释性评估
研究人员推出AIM，一个旨在标准化图神经网络（GNN）可解释性评估的新框架。目前的方法在比较不同模型之间的解释方面存在困难，但AIM通过衡量准确性、实例级解释和模型级解释来解决这一问题。该框架应用于图核网络（GKNs），并促成了名为xGKN的改进模型的开发，该模型具有增强的可解释性。
-
混合LSTM模型在NBA球员运动预测中领先
研究人员探索了各种神经网络架构用于动态运动预测，特别是在NBA球员轨迹的背景下。卡尔曼滤波器等传统方法难以处理体育运动的非线性动力学，而LSTM、GNN和Transformer等机器学习模型提供了更大的灵活性。一种增强了上下文信息的混合LSTM模型实现了1.51米的最低最终位移误差，优于GAT和Transformer等其他先进架构，尽管没有单一模型在所有指标上都表现最佳。
-
图神经网络通过算法原理逼近设施选址问题
研究人员开发了一种新的图神经网络，可以逼近统一设施选址问题的解决方案。该方法是完全可微分的，并融入了逼近算法的原理，而无需求解器监督或离散松弛。所提出的模型提供了可证明的逼近保证，并在经验上优于标准逼近算法，缩小了与整数线性规划解决方案的差距。
-
Meshwatch：一个使用 MLOps 构建的 GNN 欺诈检测栈
本文详细介绍了 Meshwatch 的技术架构和实现，这是一个使用图神经网络 (GNN) 构建的欺诈检测系统。它涵盖了整个 MLOps 生命周期，从模型训练、基础设施设置到在生产环境中提供模型服务。作者强调了一种实用的方法，分享了构建功能性 GNN 欺诈检测栈的具体指标和经验教训。
-
图神经网络比启发式方法更快地解决了多割问题
研究人员开发了一种新颖的图神经网络架构，专门针对多割问题（一种NP难优化挑战）进行了定制。这种新方法为边分配特征并基于图三角形计算消息，在解的质量和运行时间方面优于现有的启发式求解器。在最多200个节点的实例上进行的实验表明，该方法可以在几秒钟内找到最优解，而精确求解器通常需要数小时才能完成此任务。
-
通过结构复杂性分析图神经网络泛化
研究人员开发了一个新的理论框架来理解图神经网络（GNN）的泛化。他们的工作强调，图结构，而不仅仅是模型复杂性，显著影响GNN的泛化能力。他们提出了一种新的结构复杂性度量方法和一种正则化方法，通过控制这种复杂性来提高GNN的性能。
-
New framework integrates multimodal brain network analysis
Researchers have developed Supervised Deep Multimodal Matrix Factorization (SD3MF), a novel framework for analyzing brain networks. This interpretable method extends traditional matrix factorization to handle supervised…
-
UniGraphLM 通过跨领域对齐推进图语言模型
研究人员推出了 UniGraphLM，这是一种新颖的统一图语言模型，旨在增强现有模型的泛化能力。UniGraphLM 解决了将各种领域和任务中的图编码表示与大语言模型 (LLM) 的 token 空间对齐的挑战。这种对齐对于创建统一的图 token 至关重要，这些 token 将图神经网络 (GNN) 的结构建模与 LLM 的泛化能力相结合。
-
Random-Set GNNs enhance uncertainty quantification in graph learning
Researchers have introduced Random-Set Graph Neural Networks (RS-GNNs) to address uncertainty quantification in graph learning. This new framework models node-level epistemic uncertainty using a belief function formalis…
-
通过ECFP预训练增强用于药物发现的GNN
研究人员开发了一种新策略，以增强图神经网络（GNN）在药物发现任务（如定量结构-活性关系（QSAR））中的应用。该方法涉及预训练GNN以预测扩展连接指纹（ECFP），这是一种经典的分子特征化方法。预训练的GNN在多个基准测试中表现出统计学上的显著改进，尤其是在分布外拆分方面。然而，其有效性因数据集异质性和终点复杂性而异，在某些情况下，在分布外设置中表现不佳。
-
新的GRAPHLCP方法增强了图神经网络的不确定性量化
研究人员推出了一种新颖的框架GRAPHLCP，用于图上的结构感知局部一致性预测。该方法通过将图拓扑和节点间依赖关系显式纳入预测过程，解决了将一致性预测应用于图神经网络的挑战。GRAPHLCP利用特征感知的致密化步骤和基于个性化PageRank的核来模拟结构邻近性，从而生成具有保证覆盖率的更准确、更高效的预测集。
-
双层图学习的收益归因于训练动态，而非重连
研究人员重新审视了双层图结构学习，这是一种联合优化模型参数和图结构以增强图神经网络的技术。他们的发现表明，性能的提升显著是由内层循环中的训练动态驱动的，而非像之前假设的那样仅仅由图的重连引起。为了分离这些影响，他们引入了一种名为 frozen-$\phi$ 的控制方法，该方法在保持内层训练计划的同时冻结图结构。该诊断揭示了内层训练动态在性能提升中占有很大一部分，有时能媲美甚至超越完整的双层方法。
-
Transfer learning boosts AI model efficiency in high-energy physics
Researchers have explored transfer learning techniques to improve machine learning model performance in high-energy physics. By pre-training models on computationally cheaper, fast-simulated data and then adapting them …
-
AI模型学习交通网络行为以加速模拟
研究人员开发了一种新的方法，使用机器学习，特别是图神经网络（GNNs），来解决交通分配问题（TAP）。该方法旨在比传统的迭代模拟更有效地预测道路网络上的交通流量分布。目标是实现用户均衡，即没有司机可以通过改变路线来改善他们的出行时间。
-
新的ALDA4Rec方法通过基于图的学习改进推荐系统
研究人员开发了一种名为ALDA4Rec的新方法，通过解决基于图的模型中的噪声和静态表示来改进推荐系统。该方法构建了一个物品-物品图，使用社区检测过滤噪声，并增强了用户-物品交互。在真实数据集上的实验表明，ALDA4Rec在准确性和鲁棒性方面优于现有方法。
-
GraphPI 使用 GNN 进行伪标签的高效蛋白质推理
研究人员开发了 GraphPI，一个将蛋白质推理视为使用图神经网络的节点分类问题的新框架。该方法将蛋白质建模为图中的互联节点，以理解它们之间的关系。为了克服标记数据有限的问题，GraphPI 使用现有算法的伪标签和自训练进行改进，展示了在无需数据集特定微调的情况下具有通用适用性，并显著减少了计算时间。