Graphsage
PulseAugur coverage of Graphsage — every cluster mentioning Graphsage across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的GraphBEAT框架提升电子病历中的癌症风险分层能力
研究人员开发了GraphBEAT，一个新颖的时间图表示学习框架，旨在利用电子健康记录（EHRs）改进胃肠道癌症的早期风险分层。该方法将临床事件分桶并构建患者特异性图谱来模拟健康转变。GraphBEAT在预测不同提前期的胰腺癌、肝癌和肠癌方面，表现优于现有的图神经网络和序列模型，同时计算效率也显著提高。
-
新的AneumoBench数据集评估动脉瘤CFD的合成几何迁移
研究人员推出AneumoBench，这是一个新的基准数据集，旨在评估动脉瘤计算流体动力学（CFD）的合成几何迁移。该数据集将401个源动脉瘤几何体与其9000多个局部编辑的后代关联起来，每个后代都计算了CFD场。该资源能够对GraphSAGE等各种训练策略和架构进行受控比较，以评估它们在预测未知几何体和流体动力学方面的有效性，特别是对于稳态场预测和壁面剪切应力预测。
-
新型PEBDSAM模块增强图神经网络
研究人员推出了一种新颖的基于位置编码的可变形空间聚合模块（PEBDSAM），旨在增强图神经网络（GNN）。该模块解决了传统GNN的一些基本局限性，例如过平滑、过压缩、感受野受限以及异质图中拓扑邻居带来的噪声。通过诊断性实验，研究团队识别出现有偏移机制的问题，并随后开发了一个简化的版本，称为基于位置编码的空间聚合模块（PEBSAM），以及一个用于大型数据集的PEBSAM-Speed变体。PEBSAM模块已成功集成到各种GNN架构中，包括…
-
具身化方法为 GNN 实现零样本链接预测
研究人员开发了一种名为“具身化”的新颖方法，使图神经网络（GNN）能够在未见过的图上执行零样本链接预测。该技术将图数据转换为固定元关系词汇表，使标准 GNN 能够在没有专门架构的情况下迁移知识。实验表明，使用此方法训练的基础图注意力网络（GAT）在链接预测任务上的表现可以媲美专用基础模型，并显示出应用于关系数据库的潜力。
-
图神经网络改进道路网络中断分析
研究人员开发了图神经网络（GNN）来有效估计道路网络在中断后的连通性损失。该研究比较了GCN、GraphSAGE和MPNN模型，发现在各种故障场景下，残差GCN和GraphSAGE模型显著提高了连通性损失估计的平均绝对误差（MAE）。这些模型在精确谱重计算和近似之间提供了一个实用的折衷方案，并存档了代码和数据以供复现。
-
GENIE水印方案保护用于链接预测的GNN
研究人员开发了GENIE，这是一种新颖的水印方案，旨在保护用于链接预测的图神经网络（GNN）模型。与以往专注于节点或图分类的方法不同，GENIE解决了在链接预测任务中保护GNN的特定挑战。该系统采用独特的触发集和秘密水印向量，并结合动态水印阈值（DWT）以确保高验证准确性以及对各种移除技术和攻击的鲁棒性。
-
GNN在金融模型中存在时间泄露问题；发布新基准
研究人员发现，在应用于金融交易数据时，消息传递图神经网络（GNN）普遍存在时间泄露问题。这种泄露发生是因为标准的训练分割可能会将模型暴露于未来信息，从而导致性能指标虚高。为了解决这个问题，发布了一个新的基准数据集SynthFin-AML v10.0，该数据集通过三快照架构强制执行严格的因果边界，确保模型仅使用过去的数据进行训练。在该严格基准上进行评估时，一个经过调优的LightGBM模型表现与GraphSAGE GNN相当，这表明在反…
-
Pinterest广告利用图谱嵌入技术提升点击率和转化率
研究人员开发了一种新颖的方法，通过将用户站内和站外转化数据整合到一个大规模异构图谱中来增强广告模型。该方法使用了一种名为TransRA的知识图谱嵌入（KGE）模型，该模型经过改编以更好地将图谱嵌入整合到广告排名模型中。在初步遇到挑战后，采用了基于注意力机制的KGE微调方法和大型ID嵌入表技术，从而在点击率（CTR）和转化率（CVR）预测方面取得了显著改进。该框架已成功部署到Pinterest的广告参与度模型中，带来了显著的CTR提升和CPC降低。
-
网络分析改进不可靠新闻检测
研究人员通过分析Telegram上的URL共享模式，开发了一种检测不可靠新闻域名的新方法。他们构建了一个域名共现网络，揭示出不可靠和可靠新闻域名倾向于分开聚类。与不考虑网络的基线方法相比，图神经网络（GNN），特别是GraphSAGE，表现出更优越的性能，准确率相对提高了13-14%。这种方法即使在内容分析具有挑战性的情况下也证明是有效的，突显了网络拓扑在评估新闻可靠性方面的效用。
-
New protocol for GNN cross-task transfer reveals directional predictability
研究人员开发了一种新的协议，用于可靠地评估图神经网络（GNN）在节点分类（NC）和链接预测（LP）任务中的跨任务迁移。他们的发现表明，从NC到LP的迁移通常是有益的，尤其是在同质性图上，而从LP到NC的迁移则不太一致，有时甚至会降低性能。该研究还引入了CoTask Score（CTS）来衡量联合效用，并提出简单的图数据集统计信息（如同质性）可以帮助预测和减轻负迁移。
-
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。
-
AI系统AgentsCAD可自动修改3D打印设计
研究人员开发了AgentsCAD，这是一个使用大型语言模型（LLM）自动化3D打印零件设计修改的多智能体系统。该系统分析STEP文件，识别悬垂等潜在制造缺陷，并使用Claude Sonnet等LLM提出几何修正建议。然后，GPT-4o视觉语言模型会验证所提出的更改，旨在改进将设计要求转化为可制造3D模型的过程。
-
新的AgentsCAD系统通过LLM推理实现FDM零件设计的自动化
研究人员开发了AgentsCAD，这是一个新颖的多智能体系统，旨在自动化熔融沉积成型（FDM）零件的增材制造设计（DFAM）修改。该系统处理STEP文件，识别超过45°阈值的悬垂部分，并构建拓扑图。然后，它使用Claude Sonnet智能体进行设计建议，例如重新定向或添加圆角，并使用GPT-4o视觉语言模型来验证几何完整性。这种方法旨在弥合原始CAD几何与LLM推理之间的差距，以实现自动化设计改进。
-
节点嵌入维度影响稳定性，arXiv新论文发现
一篇新的arXiv论文探讨了节点嵌入的维度如何影响其在不同训练运行和方法中的稳定性。研究人员发现，维度会显著影响稳定性，其影响因嵌入方法和稳定性指标而异。例如，node2vec和ASNE通常在较高维度下更稳定，而GraphSAGE和VERSE则表现出更复杂或不稳定的稳定性。研究还指出，产生高稳定性的维度并不总是与最佳的下游性能相关。
-
深度学习工具可快速评估飓风后电网损坏情况并安排修复
研究人员开发了一种两阶段深度学习工具，以加快对电网进行飓风后损坏评估和修复调度。第一阶段使用MLP、ResMLP和GraphSAGE等模型识别损坏的线路，第二阶段计算修复计划，比较MLP、DeepSets和Set Transformer。该流程线采用ResMLP-Set Transformer配置，实现了0.920的损坏作业F1分数，并在顺序一致性和时间准确性方面表现出色，为飓风响应提供了快速的决策支持。
-
新的GNN方法提高了多站点污染预测的准确性
研究人员开发了一种使用图神经网络（GNN）的新方法，以提高颗粒物（PM）污染预测的准确性。该方法基于通过混淆矩阵识别的类间关系动态构建图，并采用混合损失函数来增强学习稳定性。所提出的GNN模型，特别是GraphSage，在预测PM1、PM10和PM2.5浓度方面表现优于传统的机器学习和深度学习技术。该研究还纳入了GNNExplainer和PGExplainer等可解释性工具，以确保模型的透明度。
-
梯度泄露攻击威胁电路设计的GNN
一篇新的研究论文详细介绍了对用于电路设计和硬件安全的图神经网络（GNN）的梯度泄露攻击（GLA）的首次全面评估。研究表明，GLA可能暴露门类型和硬件木马属性等敏感信息，从而可能帮助对手。虽然GIN等一些GNN架构提供了更强的韧性，但GAT等其他架构可能会加剧泄露。现有的防御技术效果有限，并且可能降低模型性能，这表明需要更强大的隐私保护解决方案。
-
新的 PyTorch CUDA 算子加速知识图谱嵌入更新
研究人员开发了 FuseSampleAgg，一种新颖的 PyTorch CUDA 算子，旨在优化知识图谱 (KG) 嵌入更新。该新算子通过将采样和平均聚合融合到一次性处理中，简化了邻域估计过程，显著降低了计算开销和内存使用量。在基准测试中，与现有的 DGL 基线相比，FuseSampleAgg 在端到端步长延迟方面实现了 2.24 倍至 3.48 倍的提升，瞬时 GPU 内存减少了高达 160 倍。这种优化对于需要高效、有预算刷新的网…
-
图神经网络深度学习应用于地图泛化任务
本研究论文探讨了图神经网络深度学习在地图泛化中的应用，特别是针对建筑轮廓的简化与聚合。研究评估了图卷积网络（GCN）、图注意力网络（GAT）和GraphSAGE等图神经网络架构，发现GraphSAGE在聚合的链接预测方面表现良好，但在简化的精确节点移动预测方面面临挑战。研究结果表明，对于当前的深度学习模型而言，地图聚合比简化更为复杂，并指出了未来方法学发展的方向。
-
利用邻近图增强的图神经网络用于沙尘排放预测
研究人员开发了一种新方法，通过整合邻近图来增强图神经网络（GNNs）在沙尘源排放预测中的应用。这些图，包括 Delaunay 三角剖分、Gabriel 图、k-最近邻图和 Yao 图，被用作 GraphSAGE、图卷积网络（GCNs）和图注意力网络（GATs）等各种 GNN 架构的输入。研究表明，使用邻近图的 GNN 在准确预测沙尘现象方面，其性能显著优于使用随机图的模型，并且也优于传统的长短期记忆（LSTM）模型。