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
13 天有情绪数据
-
AI从音乐播放列表中推断敏感用户数据，研究人员开发防御措施
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从用户的音乐播放列表中推断敏感的个人信息。该工具利用基于集合和图神经网络的方法来分析播放列表数据，成功地以高精度预测了人口统计学信息、习惯和性格特征。为了应对这一漏洞，提出了一个名为JamShield的防御框架，该框架通过策略性地添加虚拟播放列表来稀释可识别信号并降低推断的准确性。
-
蚁群优化算法在图神经网络中焕发新生
一个受蚂蚁行为启发的1992年算法重新出现，在解决复杂问题方面表现出卓越的效率。蚁群优化（ACO）算法最初是基于对阿根廷蚂蚁的观察而开发的，已被证明在旅行商问题等任务中非常有效，并取得了接近最优的结果。该算法最近被整合为图神经网络的骨干，于2023年在NeurIPS上发表，凸显了其在现代人工智能研究中的持续相关性和适应性。
-
图神经网络模拟格点规范理论中的规范结构
研究人员开发了一种新颖的规范不变图神经网络（GNN）架构，旨在处理阿贝尔格点规范模型。该GNN使用威尔逊环等局部规范不变输入显式强制执行对称性，并在整个消息传递过程中保持对称性。该方法已在$\mathbb{Z}_2$和$\mathrm{U}(1)$格点规范模型上成功进行了基准测试，证明了对全局和空间分辨可观测量进行了准确预测。
-
GNNs 创建层级感知的知识图谱嵌入用于酵母表型预测
研究人员开发了一种新颖的方法，使用图神经网络（GNNs）为知识图谱创建层级感知的嵌入。该方法结合了源自本体的语义损失，以更好地表示领域知识。该方法应用于预测酵母表型，在双基因敲除实验中取得了 0.360 的平均 R^2 分数，优于基线模型。结合语义损失进一步将预测性能提高到 R^2=0.377，证明了本体结构在定量预测中的价值，并可能指导生物学发现。
-
研究人员探索神经网络的复杂性、计算和图论的联系
研究人员正在探索神经网络的新理论框架和计算模型。一篇论文通过对张量运算建模，引入了一个统一的框架来分析和构建深度神经网络，揭示了历史上的架构复杂性趋势，并识别了未被探索的高复杂度架构。另一项研究将动力系统和图论统一起来，以理解循环神经网络中的计算，并提出了 resolvent-RNNs，它约束多跳路径以提高时间稀疏性和性能。第三篇论文建立了循环图神经网络的表达能力与循环算术电路之间的精确对应关系，从电路复杂性理论提供了新的视角。
-
研究人员开发了一种使用提示性子图触发器的跨范式图后门攻击新方法。
研究人员开发了一种名为“具有提示性子图触发器的跨范式图后门攻击”（CP-GBA）的新方法，以解决图神经网络（GNNs）中的漏洞。现有的攻击通常仅限于特定的GNN学习范式，这阻碍了它们在不同框架中的有效性。CP-GBA利用图提示学习来创建可迁移的子图触发器，这些触发器具有类别感知、特征丰富和结构健全的特点，并在实验中展示了最先进的攻击成功率。
-
图神经网络通过更快的电容建模加速VLSI设计
研究人员开发了GNN-Ceff，一种利用图神经网络进行VLSI设计中后布局有效电容建模的新方法。该方法旨在提高静态时序分析的准确性和速度，这是验证电路时序正确性的关键步骤。GNN-Ceff通过GPU并行化实现了显著的速度提升，在真实基准测试中与串行方法相比速度提升高达929倍，同时在准确性上也优于现有启发式方法。
-
新框架增强了具有时空感知的AI模拟
研究人员开发了一个新框架，以增强用于物理模拟的机器学习模型，特别解决了当前训练范式中的局限性。他们的方法引入了用于空间一致性的多节点预测、用于稳定性的使用交叉注意力的时域校正机制，以及用于捕捉旋转对称性的具有旋转位置嵌入的几何归纳偏置。这些创新在多种架构和数据集上进行了评估，显示出在准确性和稳定性方面的一致改进，尤其是在长期预测方面。
-
新框架U-CECE通过多分辨率概念分析增强AI可解释性
研究人员推出了一种新颖的框架U-CECE，旨在增强复杂AI模型的可解释性。这个通用的多分辨率系统提供了从简单原子概念到详细结构图的可调概念反事实解释级别。U-CECE利用图神经网络和图自编码器来实现其结构级别，旨在平衡解释的表达能力与计算效率。
-
Researchers enhance financial NLP with opinion graphs for emotion analysis
Researchers have developed a method to semantically enrich investor micro-blogs for more nuanced emotion analysis in financial NLP. This approach augments the StockEmotions dataset with structured opinion graphs, provid…
-
DynoSLAM 使用 GNN 实现拥挤空间中更安全的机器人导航
研究人员开发了 DynoSLAM，一种新颖的动态 GraphSLAM 架构，它将图神经网络 (GNN) 集成到因子图优化中，以改善在拥挤环境中的机器人导航。该系统将行人运动预测建模为随机世界模型，使用来自训练有素的 GNN 的蒙特卡洛滚动来捕捉人类互动的不确定性。该方法将这种不确定性嵌入到 SLAM 图中，从而实现更准确的跟踪并防止优化失败，最终为无碰撞机器人导航提供概率安全包络。
-
LLM 难以处理图结构，仅文本已足够
一篇新发表在 arXiv 上的研究挑战了这样一种传统观念：显式的图结构对大型语言模型（LLM）总是有利的。研究人员发现，LLM 在处理仅使用节点文本描述的文本属性图时表现出人意料地好，大多数结构编码策略带来的收益很小甚至为负。这表明，在强大的 LLM 时代，传统的图学习范式可能需要重新评估，可能更倾向于语义驱动的方法而非结构中心的方法。
-
AI研究致力于解决评估可复现性和心理健康诊断问题
近期arXiv上的两篇论文探讨了AI评估和应用中的关键挑战。一篇论文提出了一种多层次标注者建模方法，以提高AI评估的可复现性，解决了人类标注中存在的不同偏见问题。第二篇论文全面回顾了用于检测和诊断抑郁症的AI方法，重点介绍了数据模态、模型类别以及可解释性和公平性日益增长的重要性。
-
研究人员提出无监督图模型用于会计异常检测
研究人员开发了一个新颖的无监督框架，利用图神经网络对会计主体关系中的异常进行检测。该方法将会计主体建模为图中的节点，边表示它们在业务记录中的共现和对应关系。通过学习节点嵌入和重建关系，该系统识别结构偏差并将异常分数分配给潜在风险点，而无需标记数据。
-
MomentumGNN架构在可变形对象中守恒线性和角动量
研究人员推出了一种新颖的图神经网络架构MomentumGNN，旨在精确模拟可变形对象的动态行为。与预测无约束节点加速度的现有GNN不同，MomentumGNN预测每条边的冲量，以确保线性和角动量的守恒。该网络使用基于物理的损失进行无监督训练，并在动量至关重要的场景中表现出优于基线方法的性能。
-
新的研究基准和方法推动图神经网络的评估和设计
几篇最新的arXiv论文探讨了图神经网络（GNNs）的进展和挑战。研究内容包括验证GNN归属和检测仿冒模型的方法，以及开发用于评估知识图谱构建和GNN性能的统一基准。其他工作则侧重于对抗性GNNs的标准化评估协议、用于缓解过挤压和过平滑的图重连技术调查、自适应节点特征选择，以及一个名为Grothendieck Graph Neural Networks的新代数框架，该框架超越了传统的基于邻域的聚合。
-
新的LEDF-GNN框架增强了图神经网络在异质图上的性能
研究人员开发了一个名为层嵌入深度融合图神经网络（LEDF-GNN）的新框架，以提高图神经网络（GNNs）的性能。传统的GNN在处理连接节点具有不同标签的图以及捕获长距离依赖关系方面存在困难，导致过平滑等问题。LEDF-GNN通过融合多层嵌入以更好地捕获层间依赖关系，并采用双拓扑策略同时优化结构和语义来解决这些问题。实验表明，LEDF-GNN在同质和异质设置下的引用和图像基准测试中均优于现有方法。
-
GNNs 在 SDP 和代码生成方面显示出潜力，但表达能力和验证仍很复杂
研究人员正在探索图神经网络 (GNN) 的表达能力，以解决复杂的优化问题。一篇论文表明，虽然标准 GNN 在线性半定规划 (SDP) 方面存在困难，但更具表达力的架构可以模拟求解器更新并实现显著的加速。另一项研究调查了具有全局读出的 GNN，表明它们可以捕获某些一阶属性，并确定了它们的表达能力与分级模态逻辑一致的条件。第三篇论文介绍了一种用于验证量化 GNN 的逻辑语言，证明了这种验证是可判定的，但计算上是棘手的，尽管量化模型轻巧且准确。
-
图神经网络通过时空分析增强加密货币欺诈检测
研究人员开发了一种利用时空图神经网络（GNNs）检测加密货币市场欺诈的新方法。该方法通过将市场数据表示为图来捕捉操纵计划的协调性质，从而超越了对单个交易的分析。所提出的GNN架构结合了基于注意力的空间聚合和时间Transformer编码，在真实世界的“拉高出货”计划数据集上，与传统的机器学习基线相比，表现出显著的改进。
-
新研究探索图神经网络的可解释性与多图推理
研究人员正在探索增强图神经网络（GNNs）可解释性和实用性的新方法。一篇论文研究了节点特征在图池化中的关键作用，提出有效的池化需要与图拓扑对齐的特征。另一项研究介绍了GRAFT，一个通过将预测归因于特定输入特征来审计GNN的框架，这些特征可以被翻译成自然语言规则。此外，还提出了一个新的基准来评估视觉语言模型（VLMs）在多图理解和推理任务上的表现，超越了单图分析。