SLogic: Subgraph-Informed Logical Rule Learning for Knowledge Graph Completion
Department of Computer Science（计算机科学系）；New Mexico State University（新墨西哥州立大学）
SLogic通过子图指导的逻辑规则学习方法，在知识图谱补全中实现更精准的规则权重分配和可解释的推理规则生成。
2026-11-04 cs.AI cs.LG
Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs
Hong Kong Baptist University（香港浸会大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）
针对现有知识图谱链接预测因依赖全图导致的可扩展性问题，提出单样本子图链接预测方法，通过PPR提取查询相关子图并在其上预测，结合最优配置自动搜索，在五个大规模基准上实现效率提升与领先性能。
2025-02-09 cs.AI cs.LG cs.SI
PharmacoMatch: Efficient 3D Pharmacophore Screening via Neural Subgraph Matching
University of Vienna（维也纳大学）；Faculty of Life Sciences, University of Vienna（维也纳大学生命科学学院）
针对3D药效团筛选在超大规模分子库中计算成本高的问题，提出基于神经子图匹配与对比学习的 PharmacoMatch，在零样本预筛选中实现显著加速并保持相当性能。
2025-03-14 cs.AI cs.LG q-bio.QM
Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation
University of Virginia（弗吉尼亚大学）
针对少样本知识图谱关系推理中现有边掩码方法信息提取不足、易受虚假信息干扰的问题，提出基于子图适配的SAFER框架，可全面提取支持三元组信息并降低干扰，在三个主流数据集上表现更优。
2024-06-19 cs.CL cs.LG
Sub-GMN: The Neural Subgraph Matching Network Model
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；The University of Liverpool（利物浦大学）
子图匹配是图论中最基本的问题之一，在信息检索、计算机视觉、生物、化学和自然语言处理等领域都有重要的应用。然而，子图匹配问题仍然是一个NP完全问题。提出了一种基于端到端学习的子图匹配近似方法--子图匹配网络（Sub-GMN）。提出的Sub-GMN首先使用图表示学习将节点映射到节点级嵌入。然后，它结合了度量学习和注意力机制来建模数据图和查询图中匹配节点之间的关系。为了测试所提出的方法的性能，我们将我们的方法应用于两个数据库。我们使用两种现有的方法，GNN和FGNN作为基线进行比较。实验结果表明，在数据集1上，Sub-GMN的平均分类精度分别比GNN和FGNN高12.21%和3.2%。平均运行时间Sub-GMN比FGNN快20-40倍。此外，在数据集2的所有实验中，Sub-GMN的平均F1分数达到0.95，这表明Sub-GMN输出更正确的节点到节点匹配。与以前的基于GNNs的子图匹配方法相比，我们提出的Sub-GMN允许在测试/应用阶段改变查询和数据图，而大多数以前的基于GNNs的方法只能在测试/应用期间为训练阶段使用的相同查询图在数据图中找到匹配的子图。我们提出的Sub-GMN的另一个优点是它可以输出节点到节点匹配的列表，而大多数现有的基于端到端GNN的方法无法提供匹配的节点对。
2022-09-16 cs.DM cs.LG
Towards Accurate Subgraph Similarity Computation via Neural Graph Pruning
Meta；Tufts University（塔夫茨大学）；Virginia Tech（弗吉尼亚理工大学）
子图相似性搜索是图搜索的核心问题之一，它涉及到目标图是否近似包含查询图。这个问题最近被神经方法所触及。然而，目前的神经方法不考虑修剪目标图，虽然修剪是至关重要的，在传统的计算子图的相似性。在神经方法中应用修剪的一个障碍是{修剪的离散性}。在这项工作中，我们将图修剪转换为节点重新标记的问题，然后将其放松为可微问题。基于这一思想，我们进一步设计了一种新的神经网络来近似一种类型的子图距离：子图编辑距离（SED）。{In特别地，我们使用神经结构构建修剪组件，并且整个模型可以端到端地优化。在模型的设计中，我们提出了一个注意力机制来利用查询图的信息，指导目标图的修剪。此外，我们开发了一个多头修剪策略，使模型可以更好地探索多种方式修剪目标图。该模型在七个基准数据集上建立了新的最先进的结果。对该模型的分析表明，该模型可以合理地修剪目标图进行SED计算。我们算法的实现在我们的Github repo上发布：https://github.com/tufts-ml/Prune4SED。
2022-10-19 cs.AI cs.LG stat.ML
Optimal Graph Reconstruction by Counting Connected Components in Induced Subgraphs
UC San Diego（圣迭戈大学）
本文提出基于连通分量计数的预言机查询模型，证明自适应重构图需Θ(m log n/log m)次查询，非自适应需Ω(n²)次，并给出两轮自适应的O(m log n+n log² n)算法。
2025-06-10 cs.DS cs.IT cs.LG
Learning to Count Isomorphisms with Graph Neural Networks
Singapore Management University（新加坡管理大学）
针对传统子图同构计数计算成本高、现有GNN节点中心消息传递及固定输入图表示适配性差的问题，提出边中心消息传递、查询条件调制输入表示的Count-GNN，经多基准实验验证性能优越。
2023-03-03 cs.LG
Query Entity-Oriented Graph Neural Networks for Knowledge Graph Completion
College of Intelligence and Computing, Tianjin University（智能与计算学院，天津大学）
提出Q-GNN，通过融合查询实体的结构上下文和语义类型信息，增强图神经网络在知识图谱补全中的推理能力。
2026-11-02 cs.LG
CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search in Multiplex Networks
University of British Columbia（不列颠哥伦比亚大学）
社区搜索是网络科学中的一项基本任务，由于其能够发现具有广泛应用前景的个性化社区而备受关注。给定任何查询节点，CS寻求找到包含查询节点的密集连接子图。大多数现有的方法通常研究节点之间具有单一类型邻近度的网络，这定义了网络的单一视图。然而，在许多应用中，如生物，社交和交通网络，对象之间的交互跨越多个方面，产生具有多个视图的网络，称为多路复用网络。现有的复用网络中的CS方法采用预定义的子图模式来对社区进行建模，在现实网络中无法找到不具有这种预定义模式的社区。在本文中，我们提出了一个查询驱动的图卷积网络在多路复用网络，CS-MLGCN，可以捕捉灵活的社区结构，通过学习从地面真理社区在数据驱动的方式。CS-MLGCN首先将局部查询依赖结构和全局图嵌入到每种类型的邻近度中，然后使用注意力机制来合并不同类型关系的信息。在真实世界的图与地面真相社区上的实验验证了我们获得的解决方案的质量和我们的模型的效率。
2022-10-17 cs.LG cs.SI
A Storage-Retrieval Gap in Parametric Knowledge Graph Memory
Bosch Center for Artificial Intelligence（博世人工智能中心）；LMU Munich（慕尼黑大学）；University of Oslo（奥斯陆大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
该研究提出将知识图谱编译为 LoRA 适配器库的参数化知识存储方案，发现其存在存储的知识无法通过语义相似性检索的差距，为参数化知识图谱记忆的应用提供了思路并指出核心开放问题。
2026-10-30 cs.CL cs.IR cs.LG
An LLM-Guided Query-Aware Inference System for GNN Models on Large Knowledge Graphs
Concordia University（康科德大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文提出KG-WISE框架，通过将GNN模型分解为细粒度组件，并利用大语言模型生成查询模板，实现查询感知的高效推理，提升推理速度和降低内存使用。
2026-04-20 cs.DB cs.LG
Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation
Chongqing University（重庆大学）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
图相似性计算旨在预测一对图之间的相似性得分，以促进下游应用，例如找到与查询化合物或Fewshot 3D动作识别相似的最相似的化合物。近年来，基于神经网络的图相似度计算模型被提出，这些模型或基于图级交互，或基于节点级比较。然而，当图中的节点数量增加时，不可避免地会带来表示能力的降低或计算成本的增加。受此观察的启发，我们提出了一种基于图划分和图神经网络的模型，称为PSimGNN，以有效地解决这个问题。具体地说，每个输入图被划分成一组子图，以直接提取局部结构特征。其次，设计了一种新的带有注意力机制的图神经网络，将每个子图映射为一个嵌入向量。这些子图对中的一些被自动选择用于节点级比较，以补充具有细粒度信息的子图级嵌入。最后，粗粒度的子图之间的相互作用信息和细粒度的比较信息之间的不同子图预测最终的相似性得分。在具有不同图大小的图数据集上的实验结果表明，PSimGNN在使用近似图编辑距离（GED）作为图相似性度量的图相似性计算任务中优于最先进的方法。
2021-01-05 cs.LG cs.SI stat.ML
Towards a GML-Enabled Knowledge Graph Platform
Concordia University（康考迪亚大学）
本愿景论文提出了KGNet，这是一种按需图机器学习（GML）作为RDF引擎之上的服务，以支持支持GML的SPARQL查询。KGNet通过识别特定于任务的子图，在KG上自动训练GML模型。这有助于减少与任务无关的KG结构和属性，以获得更好的可扩展性和准确性。当在KG上训练GML模型时，KGNet以RDF图的形式收集训练模型的元数据，称为KGMeta，它与KG中的相关子图互连。最后，所有经过训练的模型都可以通过类似SPARQL的查询访问。我们称之为启用GML的查询，并将其称为SPARQLML。KGNet在现有的RDF引擎之上支持SPARQLML，作为使用GML模型在KG上查询和推理的接口。KGNet的开发在多个领域带来了研究机会，包括用于识别特定于任务的子图的元采样、具有计算约束（例如有限的时间和内存预算）的GML管道自动化以及SPARQLML查询优化。KGNet支持不同的GML任务，例如节点分类、链接预测和语义实体匹配。我们使用两个不同应用领域的真实KG对KGNet进行了评估。与在整个KG上进行训练相比，KGNet显著减少了训练时间和内存使用，同时保持了相当或更高的准确性。KGNet源代码可供进一步研究
2023-03-03 cs.AI cs.DB cs.LG
SubGCache: Accelerating Graph-based RAG with Subgraph-level KV Cache
Nanyang Technological University（南洋理工大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
该研究针对基于图的RAG中不同查询常检索到相似子图导致重复计算的问题，提出SubGCache方法，通过子图聚类与代表性子图的KV缓存复用降低推理延迟，实验验证其最多可将TTFT缩短6.68倍且生成质量相当或更优。
2025-05-19 cs.LG
Interactive Visual Pattern Search on Graph Data via Graph Representation Learning
Robert Bosch Research and Technology Center（罗伯特·博世研究与技术中心）；ByteDance Inc.（字节跳动公司）；Amazon AWS AI（亚马逊AWS人工智能部门）
图是一种普遍存在的数据结构，用于在广泛的领域中对过程和关系进行建模。例子包括程序中的控制流图和图像中的语义场景图。识别图中的子图模式是理解图的结构性质的重要途径。我们提出了一个可视化分析系统GraphQ，以支持人在回路中，基于示例的，子图模式搜索在一个数据库中包含许多单独的图形。为了支持快速的交互式查询，我们使用图神经网络（GNNs）将图编码为固定长度的潜在向量表示，并在潜在空间中执行子图匹配。由于问题的复杂性，仍然难以在匹配结果中获得精确的一对一节点对应关系，这对于可视化和解释至关重要。因此，我们提出了一种新的GNN节点对齐称为NeuroAlign，以方便验证和解释查询结果。GraphQ提供了一个带有查询编辑器的可视化查询界面和结果的多尺度可视化，以及一个用户反馈机制，用于通过附加约束来细化结果。我们通过两个示例使用场景来演示GraphQ：分析程序工作流中的可重用子例程和图像中的语义场景图搜索。定量实验表明，与基线GNN相比，NeuroAlign在节点对齐精度方面实现了19-29%的提高，并且与组合算法相比，提供了高达100倍的加速。我们与领域专家的定性研究证实了这两种使用场景的有效性。
2022-02-18 cs.HC cs.LG stat.ML
xNeuSM: Explainable Neural Subgraph Matching with Graph Learnable Multi-hop Attention Networks
Ho Chi Minh City University of Technology (HCMUT)（胡志明市理工大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国家大学）；Griffith University（格里菲斯大学）
本文提出xNeuSM可解释神经子图匹配方法，通过图可学习多跳注意力网络GLeMA自适应学习每个节点的注意力衰减参数，在提升预测准确率高达34%的同时实现比精确算法快七倍以上的查询速度。
2023-12-04 cs.AI cs.LG
Charting the Design Space of Neural Graph Representations for Subgraph Matching
Department of Computer Science and Engineering, IIT Bombay（计算机科学与工程系，印度理工学院班加罗尔）
本研究首次系统探索子图匹配神经图表示的设计空间，通过统一框架分析交互、对齐和评分网络等维度，发现新颖组合能显著提升性能，并总结出通用设计原则。
2025-10-27 cs.LG
CS-TGN: Community Search via Temporal Graph Neural Networks
University of British Columbia（不列颠哥伦比亚大学）
搜索本地社区是一个重要的研究挑战，它允许个性化的社区发现，并支持各种复杂网络，如万维网，社交网络和大脑网络中的高级数据分析。随着时间的推移，这些网络的演变，激发了一些最近的研究，以确定当地的时间网络社区。给定任何查询节点，社区搜索的目标是找到一个密集连接的子图包含查询节点。然而，现有的时态网络社区搜索方法存在两个主要的局限性：（1）它们采用预定义的子图模式对社区进行建模，无法在真实网络中发现不符合这些模式的社区;（2）它们只使用不相交的结构信息的聚合来度量质量，而忽略了连接的动态性和时态属性。在本文中，我们提出了一个查询驱动的时间图卷积网络（CS-TGN），可以捕捉灵活的社区结构，通过学习从地面实况社区在数据驱动的方式。CS-TGN首先在网络的每个快照中结合局部查询依赖结构和全局图嵌入，然后使用具有上下文注意力的GRU单元来学习交互的动态并随时间更新节点嵌入。我们演示了如何使用这个模型可以在在线设置的交互式社区搜索，让用户评估发现的社区，并提供反馈。在真实世界的时间图与地面真实社区的实验验证了所获得的解决方案的优越质量和我们的模型在时间和交互式静态设置的效率。
2023-03-15 cs.LG cs.SI
DrKGC: Dynamic Subgraph Retrieval-Augmented LLMs for Knowledge Graph Completion across General and Biomedical Domains
University of Minnesota（明尼苏达大学）；University of Michigan（密歇根大学）
DrKGC通过轻量级训练学习结构嵌入与逻辑规则，结合自底向上动态子图检索和GCN适配器增强提示，提升LLM在通用及生物医学知识图谱补全中的性能与可解释性。
2025-11-10 cs.AI cs.CL cs.LG
Structured Query-Based Image Retrieval Using Scene Graphs
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Intel Labs（英特尔实验室）
结构化查询可以捕获对象交互的复杂性（例如，“女人骑摩托车”），而不像单个对象（例如，“女人”或“摩托车”）。因此，使用结构化查询的检索比单个对象检索有用得多，但这是一个更具挑战性的问题。在本文中，我们提出了一种方法，它使用场景图嵌入的基础上的一种方法，以图像检索。我们研究如何视觉关系，来自场景图，可以用作结构化查询。视觉关系是场景图的有向子图，其中主语和宾语作为通过谓词关系连接的节点。值得注意的是，我们甚至能够在长尾COCO-Stuff数据集中发现的低频到中频对象上实现高召回率，并发现添加视觉关系启发的损失在最好的情况下将我们的召回率提高了10%。
2020-05-13 cs.CV cs.LG
