Graphsage
PulseAugur coverage of Graphsage — every cluster mentioning Graphsage across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
图神经网络增强冲突区域的无人机与网络防御
一篇新的研究论文探讨了图神经网络（GNNs）在加强网络安全和无人机情报方面的应用，特别是在以色列-伊朗冲突的背景下。该研究提出了一种集成方法，其中入侵检测系统从网络结构中学习以识别恶意活动，从而促进无人机响应措施。通过基于仿真的案例研究，该研究表明GNNs可以提高态势感知能力、集群协调能力和自适应机动能力，实现了94.2%的检测率和1.4秒的平均响应时间。比较实验表明，提出的GraphSAGE网络优于图卷积网络（GCNs）和图注意力网…
-
新型PAMR模型增强生物网络中带符号相互作用的预测能力
研究人员开发了一种名为PAMR（极性感知多关系模型）的新型深度图模型，以改进生物网络中带符号相互作用的预测。该模型专门设计用于区分正相互作用和负相互作用，这对于药物发现和再利用至关重要。PAMR将图卷积网络与张量分解相结合，并采用冲突感知采样策略来处理极性歧义，在实验评估中表现优于现有基线模型。
-
城市功能推断的空间图学习流程详解
本教程演示了如何构建一个用于城市功能推断的空间图学习流程。它利用 city2graph、OSMnx 和 PyTorch Geometric 等库来处理 OpenStreetMap 数据，构建图结构，并训练 GraphSAGE 模型。该过程包括收集兴趣点 (POI) 和街道网络数据，进行空间特征工程，并创建异构和同构图表示，以基于空间上下文预测 POI 类别。
-
WebKnoGraph框架使用GNN优化网站内部链接
研究人员开发了WebKnoGraph，一个开源框架，用于评估网站的内部链接策略。该工具将网站建模为图，使用GraphSAGE对潜在链接进行评分，并评估它们对权威性和语义连贯性的影响。在基于FineWeb的图上进行的实验表明，自动链接选择可以更有效地提升权威性，而专家辅助方法能更好地保持语义连贯性。
-
新的深度学习模型可高效地对网络中的影响节点进行排序
研究人员开发了一种名为1D-CGS的新型轻量级深度学习模型，用于识别复杂网络中的影响节点。该混合模型结合了1D卷积神经网络和GraphSAGE，能够高效处理节点度和邻居度等拓扑特征。在各种真实网络上的实验表明，1D-CGS在排序准确性和运行时间方面优于现有方法，在相关性和相似性指标上显示出显著的改进。
-
研究人员寻求帮助以解决表现不佳的欺诈检测图神经网络模型
一位Reddit用户正在寻求有关用于欺诈检测的图神经网络（GNN）模型的帮助。尽管进行了特征工程并使用IEEE CIS欺诈检测数据集构建了异构图，但与最先进的模型相比，该模型在AUC、PR-AUC、recall@5%和precision@5%方面的表现并未达到预期。用户尝试了GCN、GraphSAGE和GAT，结果相似，并正在寻求有关潜在问题的指导。
-
新的HetSheaf框架增强了异构图学习
研究人员推出了一种新颖的框架HetSheaf，通过利用细胞层来学习异构图。该方法将异构性直接编码到数据结构中，从而实现类型感知的局部特征空间和基于节点和边类型的学习限制映射。与现有的同质、异构和类型无关的层基线相比，HetSheaf在节点分类、链接预测和图分类任务上表现出优越的性能，同时显著减少了参数数量。
-
新型混合模型利用大型语言模型和图神经网络增强关系数据库处理能力
研究人员开发了一种新颖的混合架构，该架构结合了经过微调的BART语言模型和基于GraphSAGE的图神经网络（GNN），以更好地处理关系数据库信息。该方法旨在克服传统方法压平数据库而丢失关键关系上下文的局限性。在RelBench基准测试上的实验表明，这种混合模型显著增强了BART的行嵌入，在特定任务上达到了67.40的具有竞争力的ROC-AUC，并缩小了与现有关系深度学习方法的性能差距。
-
Gravity-GraphSAGE 推进了有向属性图的链接预测
研究人员推出了一种名为 Gravity-GraphSAGE (GG-SAGE) 的新方法，用于有向属性图中的链接预测。这种改进的 GraphSAGE 模型包含一个受引力启发的解码器，弥补了现有图深度学习技术主要关注无向图的不足。在基准数据集和真实世界数据集上的实验表明，GG-SAGE 的性能优于当前最先进的方法，即使在处理复杂和大规模数据时也表现出强大的能力。