Efficient GNN Training Through Structure-Aware Randomized Mini-Batching
NVIDIA USA(NVIDIA美国分公司);NVIDIA & Stanford University USA(NVIDIA与斯坦福大学);NVIDIA & Bar-Ilan University Israel(NVIDIA与巴伊兰大学);NVIDIA & Technion University Israel(NVIDIA与技术学院)
本文提出COMM-RAND,一种社区结构感知的随机小批量方法,平衡随机性与结构感知,在四个基准上将GNN训练速度提升至2.76倍,同时保持准确性。
2025-04-25 cs.AI cs.LG
Single-Node Attacks for Fooling Graph Neural Networks
Technion(以色列理工学院);Carnegie Mellon University(卡内基梅隆大学)
图神经网络(GNN)在各种领域中显示出广泛的适用性。这些领域,例如,社交网络和产品推荐是恶意用户和行为的沃土。在本文中,我们证明了GNN容易受到单节点对抗攻击的极其有限(因此非常现实)的场景的影响,其中攻击者无法选择受干扰的节点。也就是说,攻击者可以迫使GNN将任何目标节点分类到选定的标签,只需稍微扰动图中另一个任意节点的特征或邻居列表,即使无法选择该特定攻击者节点。当允许对手选择攻击者节点时,这些攻击甚至更有效。我们根据经验证明,我们的攻击在各种常见的GNN类型(例如,GCN,GraphSAGE,GAT,GIN)和鲁棒优化的GNN(例如,鲁棒的GCN,SM GCN,GAL,LAT-GCN),在针对性和非针对性攻击中,在不同的真实世界数据集上都优于以前的攻击。我们的代码可在https://github.com/benfinkelshtein/SINGLE上获得。
2022-09-29 cs.AI cs.LG
BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation
School of Public Health and Preventive Medicine, Monash University, Melbourne, Australia(公共卫生与预防医学学院,墨尔本大学,澳大利亚)
提出双任务 BikeVAE-GNN,用 VAE 增强融合 GCN、GAT、GraphSAGE 的混合 GNN,在墨尔本市99%稀疏计数数据下实现高精度 ADB 流量回归与等级分类。
2025-07-18 cs.AI cs.LG
Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University(西北工业大学光电与人工智能学院);Institute of Artificial Intelligence (TeleAI), China Telecom Corp Ltd(中国电信股份有限公司人工智能研究院)
针对GNN因节点依赖指数增长导致的训练低效问题,提出将其解耦为多个简单模块,结合前向与后向训练机制并行优化,理论上证明误差不累积,实验验证了方法的高效性与合理性能。
2024-04-21 cs.AI cs.LG
Choosing a Classical Planner with Graph Neural Networks
Technical University of Munich(慕尼黑工业大学);University of Bayreuth(拜罗伊特大学);University of Toronto(多伦多大学);IBM Research(IBM研究院)
本文研究在线规划器选择问题,系统评估图神经网络(GNN)的模型、图表示和特征影响,并提出将GNN图表示输入XGBoost以提高资源效率和准确性,验证了多种GNN方法的有效性。
2024-01-25 cs.AI cs.LG
GRACE: Graph Neural Networks for Locus-of-Care Prediction under Extreme Class Imbalance
Indian Institute of Technology, Kharagpur(印度理工学院,克拉格浦尔);National institute of mental health and Neuro Sciences, Bangalore(国家心理健康与神经科学研究所,班加罗尔)
GRACE通过构建无偏元图和结构化学习解决成瘾患者诊疗场所预测中的类别不平衡问题,提升少数类F1分数11-35%。
2026-01-17 cs.AI cs.LG
Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN
Department of Control Science & Engineering, Tongji University(同济大学控制科学与工程系);National Key Laboratory of Autonomous Intelligent Unmanned Systems(国家自主智能无人系统重点实验室)
针对物联网网络安全问题,提出SKGFusionKAN方法,用多尺度选择性内核注意力机制增强GraphSAGE,实现节点和边缘特征自适应提取,引入门控融合提高鲁棒性,结合KAN分类,实验表明该方法性能优于现有方法。
2026-07-07 cs.AI cs.CR
From Phase Transition to Systemic Failure: A Decoupled Analytics Framework for GNN Robustness
本文构建同质图回归合成基准,解耦标签噪声与特征分布偏移,通过41种配置410次实验发现GNN对中等标签扰动容忍度高,但极端分布偏移导致性能大幅退化,为部署监控提供基线。
2026-09-29 cs.AI cs.IR cs.LG
Massive Activations in Graph Neural Networks: Decoding Attention for Domain-Dependent Interpretability
University of Geneva(日内瓦大学);Research Institute for Statistics and Information Science(统计与信息科学研究院)
本研究揭示了边特征图神经网络注意力层中大规模激活(MAs)的出现,开发了MAs检测方法,并证明其编码领域信号、可作为归因指标,为连接GNN内部机制与领域知识提供关键见解。
2025-03-07 cs.AI cs.LG
CLGNN: A Contrastive Learning-based GNN Model for Betweenness Centrality Prediction on Temporal Graphs
针对时序图TBC精确计算成本高、分布不均衡导致现有GNN预测不准的问题,提出带双重聚合和KContrastNet对比模块的CLGNN模型,在大幅提升计算速度的同时显著优于现有静态及时序GNN基线。
2025-06-17 cs.AI cs.LG
Accelerating Flood Warnings by 10 Hours: The Power of River Network Topology in AI-enhanced Flood Forecasting
The University of Tokyo(东京大学);The Hong Kong Polytechnic University(香港理工大学);Jilin University(吉林大学)
针对GNN处理树状河网时的过度挤压问题,提出基于可达性的图变换以增强远端节点交互,使24小时预报达到EA-LSTM 14小时精度,显著延长洪水预警时效。
2025-03-13 cs.AI cs.CV cs.IR
mHC-GNN: Manifold-Constrained Hyper-Connections for Graph Neural Networks
National Institute of Science Education and Research(国家科学教育与研究 institute)
研究针对图神经网络的过度平滑及表达能力受限问题,提出mHC-GNN方法,通过流形约束超连接扩展节点表示,经双机制分析减轻过度平滑,能区分超越1-WL的图,实验验证其在深度网络中效果显著,消融实验凸显流形约束的重要性。
2026-07-21 cs.AI cs.LG
Communication-free Sampling and 4D Hybrid Parallelism for Scalable Mini-batch GNN Training
本文提出ScaleGNN框架,通过无通信分布式采样、3D并行矩阵乘法和数据并行性,实现大规模小批量GNN训练,提升效率并减少通信开销。
2026-04-03 cs.AI cs.DC cs.LG
Can Large Language Models Improve the Adversarial Robustness of Graph Neural Networks?
Beijing University of Posts and Telecommunications(北京邮电大学);Beihang University(北京航空航天大学);Imperial College London(伦敦帝国学院);China Telecom Bestpay(中国电信翼支付)
本文提出基于LLM的鲁棒图结构推理框架LLM4RGNN,通过蒸馏GPT-4能力识别恶意边并预测缺失边以恢复图结构,显著提升了GNNs面对拓扑对抗攻击的鲁棒性。
2024-12-24 cs.AI cs.CY cs.LG
Parallelizing Node-Level Explainability in Graph Neural Networks
Ericsson Cognitive Labs(爱立信认知实验室);Institute for Research in Technology (IIT), ICAI School of Engineering, Comillas Pontifical University(技术研究所(IIT)、ICAI工程学院、科利马大学)
本文提出通过图划分并行化GNN中节点级可解释性,以提升计算效率和可扩展性,同时在内存受限时提供可控的权衡方案。
2026-01-08 cs.AI cs.LG
How effective are Graph Neural Networks in Fraud Detection for Network Data?
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学)
基于图的神经网络(GNN)是最近创建的用于学习节点(和图)表示的模型,其在检测与不同实体相关的大规模数据中出现的模式时取得了有希望的结果。在这些模式中,金融欺诈因其社会经济相关性和提出的特殊挑战而脱颖而出,例如积极(欺诈)和消极(合法交易)类别之间的极端不平衡,以及概念漂移(即,数据的统计特性随时间改变)。由于GNN基于消息传播,节点的表示受到其邻居和网络枢纽的强烈影响,从而放大了不平衡效应。最近的工作试图调整GNN的欠采样和过采样策略,以减轻这种影响,但不考虑概念漂移。在这项工作中,我们进行实验,以评估现有的技术检测网络欺诈,考虑到前面的两个挑战。为此,我们使用真实的数据集,辅以从这里介绍的新方法创建的合成数据。在此基础上,我们提出了一系列的改进点,应该在未来的研究进行调查。
2021-05-30 cs.AI cs.LG
Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks
Wuhan University(武汉大学);Imperial College(帝国理工学院);JD Explore Academy(京东探索研究院);Yunnan University(云南大学)
图神经网络(Graph Neural Network,GNNs)由于图数据规模和模型参数数量呈指数级增长而导致计算成本高,限制了其在实际应用中的实用性。为此,最近的一些工作专注于使用彩票假设(LTH)稀疏化GNN,以降低推理成本,同时保持性能水平。然而,基于LTH的方法有两个主要缺点:1)它们需要对密集模型进行穷举和迭代训练,导致极大的训练计算成本,以及2)它们只修剪图结构和模型参数,但忽略了节点特征维度,其中存在显著的冗余。为了克服上述限制,我们提出了一个全面的图逐步修剪框架CGP。这是通过设计一个训练期间图修剪范例来实现的,以便在一个训练过程中动态地修剪GNN。与基于LTH的方法不同,所提出的CGP方法不需要重新训练,这显著降低了计算成本。此外,我们还设计了一种协同稀疏化策略来全面修剪GNN的所有三个核心元素:图结构、节点特征和模型参数。同时,为了改进剪枝操作,我们在CGP框架中引入了一个再生过程,以重新建立被剪枝但重要的连接。建议的CGP通过使用跨6个GNN架构的节点分类任务进行评估,包括浅模型(GCN和GAT),浅但深传播模型(SGC和APPNP)和深模型(GCNII和ResGCN),共14个真实世界的图数据集,包括来自具有挑战性的开放图基准的大规模图数据集。实验表明,我们提出的策略大大提高了训练和推理效率,同时匹配甚至超过现有方法的准确性。
2022-07-19 cs.AI cs.LG
GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction
Westlake University(西湖大学);Westlake Institute for Advanced Study(西湖高等研究院);Zhejiang University(浙江大学)
近年来,图神经网络(GNNs)在处理节点分类任务方面取得了巨大成功。然而,大多数现有的GNN都是基于不同类别的节点样本是平衡的假设,而对于许多现实世界的图,存在类别不平衡的问题,即,某些类可能具有比其它类少得多的样本。在这种情况下,直接用原始数据训练GNN分类器将代表来自这些少数类别的样本,并导致次优性能。本文提出了GraphMixup,一种新的基于混合的框架,用于改善图上的类不平衡节点分类。然而,直接执行混合在输入空间或嵌入空间可能会产生域外的样本,由于少数类的极端稀疏性,因此,我们构建语义关系空间,允许在语义层面上执行的功能混合。此外,我们采用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息,然后提出专门针对图数据的边缘混合。最后,我们开发了一个\emph{Reinforcement Mixup}机制,以自适应地确定有多少样本是由这些少数类的混合产生。在三个真实数据集上的广泛实验表明,GraphMixup对于类不平衡的节点分类任务产生了真正令人鼓舞的结果。
2021-06-21 cs.AI cs.LG
Discourse-level Relation Extraction via Graph Pooling
Information Sciences Institute, University of Southern California(南加州大学信息科学研究所);Michigan State University(密歇根州立大学);University of California, Los Angeles(加州大学洛杉矶分校)
捕捉文章中复杂的语言结构和词与词之间的长期依赖关系的能力对于语篇级关系抽取(DRE)任务至关重要。图神经网络(GNNs)是编码依赖图的方法之一,在先前的DRE工作中已经被证明是有效的。然而,相对较少关注GNN的接受域,这对于需要话语理解的超长文本的情况至关重要。在这项工作中,我们利用图池的思想,并提出使用池化-解池化框架的DRE任务。池化分支减小了图的大小,并使GNN能够在更少的层中获得更大的感受野;解池化分支将池化图恢复到其原始分辨率,以便可以提取实体提及的表示。我们提出了子句匹配(CM),一种新的语言启发的图池方法的NLP任务。在两个DRE数据集上的实验表明,当需要建模长期依赖关系时,我们的模型显着改善基线,这表明了池化-解池化框架和我们的CM池化方法的有效性。
2021-11-13 cs.AI cs.CL cs.LG
Attribute-Enhanced Similarity Ranking for Sparse Link Prediction
Rice University(莱斯大学);UC Santa Barbara(加州大学圣巴巴拉分校);TikTok Inc.(字节跳动公司);Visa Inc.(维萨公司)
针对稀疏图链路预测中均衡评估失真问题,提出 Gelato,融合属性图学习、排序损失与图划分难负采样,性能优于现有 GNN 方法。
2024-11-29 cs.AI cs.LG cs.SI
Informative Pseudo-Labeling for Graph Neural Networks with Few Labels
University of Technology Sydney(悉尼科技大学);The University of Sydney(悉尼大学)
图神经网络(GNN)已经在图上的半监督节点分类方面取得了最先进的成果。然而,如何有效地学习具有很少标签的GNN的挑战仍然没有得到充分的探索。伪标记作为一种流行的半监督方法,已经被提出来显式地解决标签稀缺问题。它的目的是用具有高置信度的伪标记未标记节点来增强训练集,以便在自训练周期中重新训练监督模型。然而,现有的伪标记方法通常遭受两个主要缺点。首先,他们倾向于保守地扩展标签集,只选择高置信度的未标记节点,而不评估它们的信息量。不幸的是,这些高置信度节点通常会传递与给定标签重叠的信息,从而导致模型重新训练的微小改进。其次,这些方法将伪标签与真正的标签合并到相同的损失函数,忽略了它们对分类任务的不同贡献。在本文中,我们提出了一个新的信息伪标签框架,称为InfoGNN,以促进学习GNN与极少数标签。我们的核心思想是通过互信息最大化来伪标记最能代表局部邻域的信息量最大的节点。为了减轻潜在的标签噪声和伪标签引起的类不平衡问题,我们还仔细设计了一个广义交叉熵损失与类平衡正则化,以将生成的伪标签纳入模型重新训练。在六个真实世界的图数据集上进行的广泛实验表明,我们提出的方法显着优于最先进的基线和强大的自监督方法。
2022-01-20 cs.AI cs.LG
G-PARC: Graph-Physics Aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics on Unstructured Meshes
School of Data Science, University of Virginia(数据科学学院,弗吉尼亚大学);University of Virginia(弗吉尼亚大学);Department of Engineering Systems and Environment, University of Virginia(工程系统与环境系,弗吉尼亚大学);Department of Mechanical and Aerospace Engineering, University of Virginia(机械与航空航天工程系,弗吉尼亚大学);University of Iowa(爱荷华大学)
G-PARC通过在无结构图上使用移动最小二乘核近似空间导数,提升了对非均匀时空离散化、移动网格及非线性基准的建模能力,比现有方法更高效且参数更少。
2026-04-16 cs.AI cs.LG
GSTAM: Efficient Graph Distillation with Structural Attention-Matching
University of Toronto(多伦多大学);National University of Singapore(新加坡国立大学)
本文提出GSTAM方法,通过结构注意力匹配机制将GNN关注的关键图结构信息蒸馏到合成图中,用于图分类数据集压缩,在极端压缩比下性能优于现有方法0.45%至6.5%。
2024-08-29 cs.AI cs.LG
Estimating Voltage Drop: Models, Features and Data Representation Towards a Neural Surrogate
KTH Royal Institute of Technology(KTH皇家理工学院);Ericsson Research(爱立信研究部)
针对现代ASIC IR降估计耗时耗资源的问题,研究XGBoost、CNN、GNN等ML技术的应用,利用ASIC多维度特征训练模型,实验表明ML模型(尤其是GNN)速度优于商业工具且误差小,可优化ASIC签核并减少环境影响。
2025-02-07 cs.AI cs.AR
FEAST: Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System
Department of Computer Science and Engineering, University of Bologna, Cesena Campus(计算机科学与工程系,博洛尼亚大学,塞斯ena校区)
FEAST提出一种检索增强框架,通过三阶段方法解决FoodEx2系统中复杂标签依赖性、数据稀疏性和极端输出维度的问题,提升稀有类别分类性能。
2026-03-03 cs.AI
GraphPub: Generation of Differential Privacy Graph with High Availability
Xi’an Jiaotong University(西安交通大学)
针对差分隐私图发布导致GNN准确率下降的问题,本文提出GraphPub框架,利用逆向学习和编码器-解码器机制以低影响虚假边替换真实边,在极低隐私预算下保持接近原图的模型准确率。
2024-03-05 cs.AI cs.CR cs.LG
LIVABLE: Exploring Long-Tailed Classification of Software Vulnerability Types
Harbin Institute of Technology(哈尔滨工业大学);Peng Cheng Laboratory(鹏城实验室);Huazhong University of Science and Technology(华中科技大学);Peking University(北京大学)
针对实际软件漏洞类型分布的长尾特征及现有GNN方法的过平滑、尾部类别检测差问题,提出含漏洞表征学习和自适应重加权模块的LIVABLE方法,提升长尾漏洞类型分类性能。
2023-06-12 cs.AI cs.SE
Light-weight Deep Extreme Multilabel Classification
IIIT Hyderabad(海得拉巴国际信息技术学院);Microsoft India(微软印度公司)
本文提出轻量深度 XML 方法 LightDXML,通过标签嵌入负采样与三阶段循环训练移除重排序器,在效率媲美树方法的同时达到深度模型精度并改善尾标签预测。
2023-04-20 cs.AI cs.IR cs.LG
Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting
Westlake University(西湖大学);Research Center for Industries of the Future(未来产业研究中心);AI Lab(人工智能实验室)
提出 GSSC 框架,以纯 MLP 隐式利用图结构先验,通过结构稀疏化与自对比的双层优化学习节点表示,提升泛化性与鲁棒性。
2024-09-09 cs.AI cs.LG
Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series
IMEC
本文提出两种无监督异常预测方法,利用N-BEATS或图神经网络对半导体多变量时间序列进行预测,通过偏差检测异常,GNN在性能、参数和计算成本上更优。
2025-10-23 cs.AI cs.LG
Tailoring Self-Attention for Graph via Rooted Subtrees
Shanghai Jiaotong University(上海交通大学)
针对现有图注意力机制长程信息捕获不足或局部细粒度信息缺失的问题,提出基于有根子树的多跳子树注意力STA及高效形式,构建STAGNN模型,在10个节点分类任务上性能优于现有图Transformer和主流GNN。
2023-10-08 cs.AI cs.LG
Self-supervised Graph Learning for Occasional Group Recommendation
Capital Normal University(首都师范大学);The University of Queensland(昆士兰大学);Renmin University of China(中国人民大学)
作为推荐系统的一个重要分支,偶发性群体推荐越来越受到人们的关注。在这种情况下,每个临时组(冷启动组)没有或很少有历史交互项。由于每一个偶然群组与项目之间的交互非常稀疏,传统的群组推荐方法无法学习到高质量的群组表示。最近提出的图神经网络(GNNs),它包含了目标偶然群的高阶邻居,可以在一定程度上缓解上述问题。然而,这些GNN仍然不能显式地增强具有很少相互作用的高阶邻居的嵌入质量。受自监督学习技术的启发,提出了一种自监督图学习框架,该框架以用户/项目/组嵌入重构为前提,增强冷启动用户/项目/组的嵌入。为了显式地提高高阶冷启动邻居的嵌入质量,我们进一步引入了嵌入增强器,它利用自注意力机制来提高它们的嵌入质量。综合实验表明,我们提出的框架比国家的最先进的方法的优势。
2022-07-21 cs.AI cs.IR
RSC: Accelerating Graph Neural Networks Training via Randomized Sparse Computations
Rice University(莱斯大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出RSC框架,通过逐层和逐epoch优化计算资源分配、缓存采样矩阵及切换机制,首次实现用近似运算加速GNNs稀疏计算,在精度几乎无损下获11.6倍单算子与1.6倍端到端加速。
2023-07-02 cs.AI cs.LG
Probing Graph Neural Network Activation Patterns Through Graph Topology
Department of Computer Science, University of Geneva, Geneva, Switzerland(日内瓦大学计算机科学系);Research Institute for Statistics and Information Science, Geneva, Switzerland(日内瓦统计与信息科学研究所);School of Engineering and Applied Sciences, Harvard University(哈佛大学工程与应用科学学院)
本文通过分析图神经网络的激活模式,揭示了图拓扑与学习偏好之间的关系,发现全局注意力机制加剧了拓扑瓶颈并增加了负曲率的出现。
2026-02-24 cs.AI cs.LG
On-the-fly Global Embeddings Using Random Projections for Extreme Multi-label Classification
Indian Institute of Technology, Jodhpur(焦特布尔印度理工学院);IEEE Publication Technology Group(IEEE出版技术组)
极限多标签学习(XML)的目标是用来自极大的标签词汇表的最相关的标签子集(例如,一百万个标签)。最近,已经进行了许多尝试来解决这个问题,在基准数据集上实现合理的性能。在本文中,我们的目标不是提出一种全新的方法,而是提出并验证这项任务的简单基线。准确地说,我们研究了一种使用随机投影的动态全局和结构保持特征嵌入技术,其学习阶段独立于训练样本和标签词汇。此外,我们还展示了如何使用多个此类学习器的集成来进一步提高预测精度,而只需要线性增加训练和预测时间。在三个公开的XML基准测试上的实验表明,与现有的许多方法相比,该方法具有竞争力的准确性。此外,与最大的公开数据集上最接近的竞争对手相比,它在训练时间方面提供了约6572倍的加速比,模型大小减少了约14.7倍。
2021-10-15 cs.AI cs.CV cs.IR
Graph Embedding with Mel-spectrograms for Underwater Acoustic Target Recognition
College of Meteorology and Oceanography, National University of Defense Technology(气象与海洋学院,国防科技大学)
本文提出UATR-GTransformer模型,通过结合Transformer与图神经网络,实现对水下声学目标的高效识别与特征提取。
2025-12-12 cs.AI cs.SD
BhashaSetu: Cross-Lingual Knowledge Transfer from High-Resource to Extreme Low-Resource Languages
Department of Computer Science and Engineering, Indian Institute of Technology Kanpur(计算机科学与工程系,印度理工学院坎浦尔)
BhashaSetu通过引入GETR方法,实现了从高资源语言到极端低资源语言的跨语言知识转移,显著提升了词性标注和命名实体识别任务的性能。
2026-02-05 cs.AI cs.CL cs.LG
Single Node Injection Label Specificity Attack on Graph Neural Networks via Reinforcement Learning
Zhejiang University of Technology(浙江工业大学);Hangzhou Dianzi University(杭州电子科技大学);PengCheng Laboratory(鹏城实验室)
针对现有图神经网络攻击方法实用性差、泛化性不足的问题,提出基于强化学习的无梯度可泛化单节点注入攻击G²-SNIA,在黑盒场景下以极少预算实现多目标攻击,性能优于现有基线且效果接近白盒最优攻击。
2023-05-04 cs.AI cs.CR cs.LG
Fast and Distributed Equivariant Graph Neural Networks by Virtual Node Learning
Stanford University(斯坦福大学)
针对等变GNN在大规模几何图上的效率与稀疏化性能问题,提出FastEGNN与DistEGNN,利用虚拟节点学习实现高效分布式处理,在多个大规模基准上取得优越性能。
2025-06-24 cs.AI cs.LG
Boosting Graph Neural Network Expressivity with Learnable Lanczos Constraints
Vector Institute(矢量研究所);University of Vienna(维也纳大学);Graz University of Technology(格拉茨工业大学)
本文提出 LLwLC,利用可学习 Lanczos 线性约束、删顶点子图编码和 Neumann 特征值约束增强 GNN 表达力,在链接预测上以极少数据取得显著加速和性能提升。
2025-02-14 cs.AI cs.LG
End-to-end Graph Learning Approach for Cognitive Diagnosis of Student Tutorial
本文提出端到端图神经网络认知诊断模型EGNN-CD,通过知识概念网络、四通道特征提取和多层感知器融合,在三个真实数据集上显著提升诊断准确性。
2024-10-30 cs.AI cs.CY cs.LG
Graph Out-of-Distribution Generalization with Controllable Data Augmentation
Shanghai Jiao Tong University(上海交通大学);Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences(中国科学院地理科学与资源研究所)
针对图数据中规模与密度混合分布偏移导致GNN性能下降的问题,提出OOD-GMixup,通过图理据提取、扰动生成虚拟OOD样本及极值理论校准来主动控制训练分布,并在多个数据集上优于现有方法。
2023-08-16 cs.AI cs.LG cs.SI
Towards Spatio-temporal Sea Surface Temperature Forecasting via Static and Dynamic Learnable Personalized Graph Convolution Network
Beijing University of Posts and Telecommunications(北京邮电大学)
针对海表温度预测中动态时空依赖建模不足的问题,本文提出SD-LPGC,用两个图学习层分别刻画长期稳定与短期演化模式,并通过个性化卷积融合,实验达到最先进性能。
2023-04-12 cs.AI cs.LG physics.ao-ph
Rethinking Cancer Gene Identification through Graph Anomaly Analysis
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
本研究通过图异常分析,发现癌症基因的权重异质性导致谱能量平坦化,并提出HIPGNN模型,在STRINGdb和CPDB数据集上验证了其优越性。
2025-06-22 cs.AI cs.CE stat.ML