A Class-Aware Representation Refinement Framework for Graph Classification
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
本文提出类感知表示精化框架 CARE，通过注入类表示提升图分类的类可分性和泛化能力，并在多个 GNN 骨干和数据集上验证其有效性。
2024-06-06 cs.AI cs.LG
Are LLMs Better GNN Helpers? Rethinking Robust Graph Learning under Deficiencies with Iterative Refinement
School of Computing KAIST Daejeon Republic of Korea（韩国国立庆尚大学计算机科学学院）；School of Computer Science（计算机科学学院）；School of Computing KAIST（韩国国立庆尚大学计算机科学学院）
该研究针对真实图缺陷削弱GNN性能的问题，首次系统对比传统GNN与LLM增强图方法在复合缺陷下的表现，提出迭代式RoGRAD框架，通过RAG和迭代图对比学习实现动态增强，性能超越两类基线，最高平均提升82.43%。
2025-10-02 cs.AI cs.LG
Graph Refinement based Airway Extraction using Mean-Field Networks and Graph Neural Networks
University of Amsterdam（阿姆斯特丹大学）；Canadian Institute of Advanced Research（加拿大高等研究院）；Erasmus MC（伊拉斯姆斯医学中心）；Rigshospitalet（哥本哈根大学医院）；University of Copenhagen（哥本哈根大学）
图的精化，或者从过完备图中获得感兴趣的子图的任务，可以有许多不同的应用。在这项工作中，我们提取树或收集的子树从图像数据，首先推导出一个基于图形的表示的体积数据，然后，构成树提取作为一个图形细化任务。我们提出了两种方法来执行图细化。首先，我们使用平均场近似（MFA）来近似的后验密度的子图，从中可以估计的最佳感兴趣的子图。平均场网络（MFN）用于推理的基础上的解释，MFA的迭代可以被看作是前馈操作的神经网络。这允许我们使用梯度下降来学习模型参数。其次，我们提出了一种监督学习方法，使用图神经网络（GNNs），可以被看作是概括的MFN。通过训练基于GNN的图细化模型来直接预测边缘概率，从而获得子图。我们讨论了这两类方法之间的联系，并比较了它们从3D，低剂量，胸部CT数据中提取气道的任务。我们表明，MFN和GNN模型相比，一个基线的方法，这是类似于在EXACT'09挑战，和一个基于3D U-Net的气道分割模型，在检测更多的分支与更少的假阳性的最佳表现的方法，表现出显着的改善。
2020-06-02 cs.CV cs.LG stat.ML
Semantic Refinement with LLMs for Graph Representations
University of Connecticut, USA（康涅狄格大学）；University of Notre Dame, USA（圣母大学）
本文提出基于图示例引导的语义细化框架，通过图内结构和语义相似节点指导LLM优化节点描述，提升图表示在异构语义下的表现。
2026-04-01 cs.AI cs.CL cs.LG
Self-Supervised Graph Structure Refinement for Graph Neural Networks
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；Université de Montréal（蒙特利尔大学）
图结构学习（GSL），其目的是学习图神经网络（GNNs）的邻接矩阵，在提高GNNs的性能方面显示出巨大的潜力。大多数现有的GSL作品应用联合学习框架，其中估计的邻接矩阵和GNN参数针对下游任务进行优化。然而，由于GSL本质上是链接预测任务，其目标可能与下游任务的目标有很大不同。这两个目标的不一致性限制了GSL方法学习潜在的最优图结构。此外，在邻接矩阵的估计和优化过程中，联合学习框架在时间和空间方面存在可扩展性问题。为了缓解这些问题，我们提出了一个具有预训练-微调管道的图结构细化（GSR）框架。具体而言，预训练阶段旨在通过具有视图内和视图间链接预测任务的多视图对比学习框架来全面估计底层图结构。然后，通过根据由预训练模型估计的边缘概率添加和移除边缘来细化图结构。最后，微调GNN由预训练的模型初始化，并针对下游任务进行优化。由于改进后的图结构在微调空间中保持静态，GSR避免了在微调阶段估计和优化图结构，具有很好的可扩展性和效率。此外，通过迁移知识和细化图来促进GNN的微调。进行了大量的实验，以评估所提出的模型的有效性（在六个基准数据集上的最佳性能），效率和可扩展性（与Cora上的最佳GSL基线相比，使用32.8%GPU内存时快13.8倍）。
2023-03-01 cs.AI cs.LG
Leveraging Wikidata's edit history in knowledge graph refinement tasks
University of Oviedo（奥维耶多大学）
知识图谱已经在许多不同的领域中出于各种目的而被采用。这些应用程序中的大多数依赖于有效和完整的数据来提供其结果，迫切需要提高知识图谱的质量。为此，已经提出了许多解决方案，从基于规则的方法到使用概率方法，但有一个元素尚未被考虑：图的编辑历史。在协作知识图谱的情况下（例如，Wikidata），这些编辑代表了社区对最能代表每个实体的信息达成某种模糊和分布式共识的过程，并且可以保存潜在的有趣信息，以供知识图谱细化方法使用。在本文中，我们探讨了使用维基数据的编辑历史信息来提高类型预测方法的性能。为此，我们首先构建了一个JSON数据集，其中包含维基数据中100个最重要类的每个实例的编辑历史。然后探索和分析此编辑历史信息，重点关注其在知识图谱细化任务中的潜在适用性。最后，我们提出并评估了两种新的方法，利用这种编辑历史信息的知识图谱嵌入模型的类型预测任务。我们的研究结果表明，改进的方法对目前的方法，显示了潜在的编辑信息中使用的知识图谱细化任务和打开新的有前途的研究领域内的线。
2022-10-27 cs.AI cs.IR cs.LG
Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）；Massachusetts Institute of Technology（麻省理工学院）
抗体是一种多功能蛋白质，可以与病毒等病原体结合，刺激适应性免疫系统。抗体结合的特异性由这些Y形蛋白质末端的互补决定区（CDR）决定。在本文中，我们提出了一个生成模型来自动设计具有增强的结合特异性或中和能力的抗体的CDR。以前的生成方法将蛋白质设计公式化为结构条件序列生成任务，假设所需的3D结构是先验的。相比之下，我们建议将CDR的序列和3D结构共同设计为图。我们的模型解开序列自回归，同时迭代地完善其预测的全局结构。推断出的结构反过来指导随后的残基选择。为了提高效率，我们以粗粒度的方式对CDR内部和外部残基之间的条件依赖性进行建模。我们的方法在测试集上实现了优越的对数似然，并且在设计能够中和SARS-CoV-2病毒的抗体方面优于以前的基线。
2022-01-27 cs.LG q-bio.BM
TAROT: Task-Adaptive Refinement of LLM-prior Graphs for Few-shot Tabular Learning
Jilin University（吉林大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
提出TAROT框架，通过构建并精炼任务自适应语义图，利用LLM先验和GNN编码特征语义关系，提升小样本表格学习性能。
2026-06-11 cs.AI cs.LG
EGR: Equivariant Graph Refinement and Assessment of 3D Protein Complex Structures
University of Missouri（密苏里大学）
蛋白质复合物是对所有生物体的功能和健康至关重要的大分子。作为蛋白质复合物的结构，特别是其多个蛋白质亚基之间的相互作用区域（即，链），对复合物的生物学功能具有显着影响，可以快速有效地用于改进和评估蛋白质复合物的3D结构质量的计算方法可以直接用于药物发现管道中，以加速新疗法的开发并提高未来疫苗的功效。在这项工作中，我们介绍了等变图细化（EGR），一种新的E（3）-等变图神经网络（GNN）的多任务结构细化和评估的蛋白质复合物。我们在新的，不同的蛋白质复合物数据集上的实验，我们在这项工作中公开了所有这些数据集，证明了EGR用于原子细化和蛋白质复合物评估的最新有效性，并概述了该领域未来工作的方向。在这样做的过程中，我们建立了一个基线，为未来的研究在大分子的细化和结构分析。
2022-05-24 cs.AI cs.LG q-bio.BM
Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement
University of Washington（华盛顿大学）
自动标注颅内动脉（ICA）的解剖名称有利于特征提取和颅内血管结构的详细分析。由于自然和病理原因，ICA存在显著变化，这使得自动标记具有挑战性。然而，用于评价解剖标记的现有公共数据集有限。我们构建了一个全面的数据集与729磁共振血管造影扫描，并提出了一个图神经网络（GNN）的方法来标记动脉分类类型的节点和边缘的属性关系图。此外，一个分层细化框架的发展，以进一步改善GNN的输出，以纳入结构和相关知识的ICA。我们的方法实现了97.5%的节点标记的准确性，63.8%的扫描正确标记的所有环威利斯节点，在测试集的105扫描与健康和患病的受试者。这是对现有技术方法的显著改进。自动动脉标记有望最大限度地减少人工描述复杂ICA网络的工作量，并为识别血管疾病的几何风险因素提供有价值的信息。我们的代码和数据集可以在https://github.com/clatfd/GNN-ARTLABEL上找到。
2020-07-11 cs.CV cs.LG eess.IV
On the Expressibility of the Reconstructional Color Refinement
The Institute of Mathematical Sciences (HBNI)（数学科学研究所（HBNI））；Chennai Mathematical Institute（金奈数学研究所）；Institut für Informatik, Humboldt-Universität zu Berlin（柏林洪堡大学计算机科学研究所）；IAPMM
本文证明在颜色细化等价而非完全同构的顶点删除子图牌组下仍可判定图连通性，从而说明 Reconstruction Graph Neural Networks 能识别连通性。
2024-06-13 cs.CC cs.DM cs.LG
Speaker diarization with session-level speaker embedding refinement using graph neural networks
Microsoft（微软）
深度说话人嵌入模型通常被用作说话人日记系统的构建块;然而，说话人嵌入模型通常根据在训练数据上定义的全局损失来训练，这对于在特定会议会话中局部区分说话人来说可能是次优的。在这项工作中，我们提出了第一次使用图神经网络（GNNs）的扬声器diarization问题，利用GNN细化扬声器嵌入本地使用每个会话内的语音段之间的结构信息。由预训练模型提取的说话人嵌入被重新映射到一个新的嵌入空间，在这个空间中，单个会话中的不同说话人被更好地分离。通过最小化由细化嵌入构建的亲和矩阵与地面真实邻接矩阵之间的差异，以监督的方式训练模型进行连锁预测。然后在细化嵌入的顶部应用谱聚类。我们表明，改进的说话人嵌入的聚类性能优于原始嵌入显着的模拟和真实的会议数据，我们的系统实现了国家的最先进的结果在NIST SRE 2000 CALLHOME数据库。
2020-05-22 cs.LG cs.SD eess.AS
MissionHD: Hyperdimensional Refinement of Distribution-Deficient Reasoning Graphs for Video Anomaly Detection
Department of Computer Science University of California, Irvine（计算机科学系加州大学伊维奇分校）；Department of Electrical Engineering & Computer Science United States Military Academy, West Point（电气工程与计算机科学系美国军事学院西点分校）
MissionHD通过超维度计算优化任务对齐的图表示，提升视频异常检测与识别的性能。
2026-02-13 cs.LG
PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs
College of Artificial Intelligence（人工智能学院）
PRISM通过迭代跨模态后验细化方法，提升动态文本属性图的表示学习能力，有效捕捉节点语义与交互行为的动态依赖关系。
2026-05-07 cs.LG
Self-Guided Robust Graph Structure Refinement
KAIST（韩国科学技术院）
针对现有鲁棒图结构精炼方法依赖干净特征、弱攻击或外部干净图的局限，提出SG-GSR，从受攻击图中提取干净子图，并结合图增强与分组训练提升多种攻击和噪声场景下的鲁棒性。
2024-03-02 cs.LG
Selective Hypergraph Refinement for Frozen Graph Clustering
University of Macau（澳门大学）
针对已冻结的图聚类模型，本文提出选择性超图精化（SHR）方法，利用属性超图补充高阶关系，仅对可靠节点更新聚类分配，在多组评估中实现了显著的宏观增益，且平均仅少量分配发生变化。
2026-09-04 cs.LG
Multi-view Clustering with Deep Matrix Factorization and Global Graph Refinement
多视图聚类是机器学习和数据采掘领域的一个重要而又具有挑战性的课题。矩阵分解是多视图聚类的一种流行策略，它可以在低维空间中探索有用的特征表示，从而减轻维数灾难。但现有工作存在两大缺陷：i）大多数矩阵分解方法仅限于阴影深度，导致无法充分发现原始数据丰富的隐藏信息。很少有深度矩阵分解方法为不同层的新表示的维度的选择提供基础。ii）现有的方法大多只关注视图共享信息，而忽略了不同视图中的特定局部特征。为了解决上述问题，本文提出了一种新的基于深度半NMF和全局图细化的多视图聚类方法（MVC-DMF-GGR）。首先，我们通过层次分解为每个视图捕获新的表示矩阵，然后通过近似从这些新表示重构的图的组合来学习公共图，以改进新的表示。一个交替的算法，证明收敛性，然后开发来解决优化问题，并在六个多视图基准测试的结果证明了我们所提出的算法的有效性和优越性。
2021-05-01 cs.LG
GPARA: Graph-Posterior-Aligned Refinement and Active Acquisition for Grounding Diffusion Priors
The Hong Kong University of Science and Technology（香港科技大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
GPARA通过图代理学习扩散预测残差，构建可复用的后验响应算子，实现主动采集与重建精化，在物理场和视觉任务上超越基线。
2026-09-29 cs.LG
Active Curriculum Refinement for Reinforcement Learning
The University of Chicago（芝加哥大学）
该研究针对强化学习中环境的有向无环课程图结构，提出主动课程学习框架PATH，通过采样多样化课程路径并重新分配训练资源，提升了模型的鲁棒性与泛化能力。
2026-08-28 cs.LG
Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation
Department of Computer Science and Engineering, Chinese University of Hong Kong（香港中文大学计算机科学与工程系）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）；Department of Data Science, City University of Hong Kong（香港城市大学数据科学系）；The Education University of Hong Kong（香港教育大学）
针对无源图域自适应中伪标签不可靠的问题，提出SafeSubspace伪标签精炼方法，通过识别置信度一致的安全子空间并利用语义与结构证据进行伪标签验证，实现鲁棒的图域自适应。
2026-05-30 cs.LG
Graph Structure Refinement with Energy-based Contrastive Learning
Beihang University（北京航空航天大学）；Postdoctoral Research Station at China RongTong Academy of Sciences Group Corporation Limited（中国融通集团博士后科研工作站）；Eastern Institute of Technology（宁波工程学院）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波工程学院宁波数字孪生研究院）
针对不完美图结构限制图神经网络性能、生成式架构难适配判别式图任务的问题，提出结合基于能量的对比学习与图结构精炼的ECL-GSR框架，在节点分类任务上取得更优性能且更高效。
2025-03-24 cs.LG
Clustering-Oriented Generative Attribute Graph Imputation
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN)（人工智能学院（iOPEN））；Northwestern Polytechnical University（西北工业大学）；Institute of Artificial Intelligence (TeleAI)（人工智能研究所（TeleAI））
针对属性缺失图聚类中补全缺乏类别语义、优化受无关属性干扰的问题，提出CGIR模型，通过子簇分布约束生成补全、子簇合并指导边注意力网络优化，在统一框架下提升聚类性能。
2025-07-25 cs.LG
Dual Refinement Cycle Learning: Unsupervised Text Classification of Mamba and Community Detection on Text Attributed Graph
College of Physics and Information Engineering, Minnan Normal University（物理与信息工程学院，福建师范大学）
DRCL通过双向精炼循环整合结构和语义信息，实现无监督文本属性图的社区检测与分类，其Mamba分类器在无标注数据下表现优异。
2025-12-10 cs.LG
HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs
School of Software, Huazhong University of Science and Technology（华中科技大学软件学院）
针对GNN易受结构与特征攻击的问题，本文提出HC-Ref分层约束细化框架，通过分层对抗正则化和图结构扰动训练提升鲁棒性，并在两个基准上验证其优于多种基线。
2023-12-08 cs.LG
Graph Refinement for Coreference Resolution
Microsoft（微软）；Idiap Research Institute（Idiap研究所）
共指消解的最新模型是基于独立提及成对决策的。我们提出了一种建模方法，学习在文档级的共指，并采取全球性的决定。为此，我们在一个图结构中的节点是令牌的文本中的共指链接模型，和边缘代表它们之间的关系。我们的模型以非自回归的方式预测图，然后根据以前的预测迭代地对其进行改进，从而允许决策之间的全局依赖性。实验结果表明，各种基线的改进，加强了假设，即文档级信息提高会议分辨率。
2022-03-30 cs.CL cs.LG
Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach
Computer Science Brock University, Canada（计算机科学 布鲁克大学 加拿大）
提出一种混合WGAN-GA方法，通过遗传算法精炼GAN生成的图结构，减少度分布和谱分布等偏差，使合成图更接近真实图。
2026-05-27 cs.AI cs.LG
CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs
Zhejiang University（浙江大学）
本文提出CoG框架，通过关系蓝图和故障感知细化模块，解决知识图谱中推理稳定性与效率问题，实验显示其在准确性和效率上均优于现有方法。
2026-04-14 cs.CL cs.LG
CluStRE: Streaming Graph Clustering with Multi-Stage Refinement
Heidelberg University（海德堡大学）
该研究提出流图聚类算法CluStRE，通过多阶段优化在流设置中处理图，动态构建商图实现模块度优化，实验显示其解质量提升89.8%、速度快2.6倍，有效弥合流与传统聚类方法的差距。
2025-02-08 cs.DB cs.LG
Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
针对图域适应中源标签噪声问题，提出NeGPR框架，通过双分支预训练、嵌套伪标签精炼和噪声感知正则化，在严重噪声下准确率提升达12.7%。
2025-09-08 cs.AI cs.LG
Leveraging Graph Diffusion Models for Network Refinement Tasks
University of Michigan（密歇根大学）；Adobe Research（奥多比研究中心）；Adobe（奥多比公司）；Meta；Intel Labs（英特尔研究院）
本文提出基于子图扩散的图生成框架SGDM，利用逆向过程实现部分可观测网络的去噪、子图扩展和风格迁移等精化任务，并提升了图扩散模型的可扩展性与保真度。
2023-11-29 cs.LG cs.SI
Knowledge-based Refinement of Scientific Publication Knowledge Graphs
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Georgia Tech Research Institute（佐治亚理工研究院）；Georgia Institute of Technology（佐治亚理工学院）
将作者身份识别建模为知识图谱构建与精炼问题，通过函数梯度提升学习关系回归树并注入一阶子句形式的人类知识进行精炼，在七个领域验证了方法的有效性。
2023-09-10 cs.AI cs.DL cs.LG
MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction
Xiangtan University（湘潭大学）；Xiamen University（厦门大学）；Hunan University（湖南大学）
针对现有方法忽略原子级跨分子交互导致DDI预测不稳健的问题，提出MolBridge联合图精化框架，通过结构一致性模块缓解过平滑，在基准上超越现有方法。
2025-10-24 cs.AI cs.LG
Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection
Henan University（河南大学）；University of Electronic Science and Technology of China（电子科技大学）；Iowa State University（爱荷华州立大学）
针对图级异常检测，提出MotifCAR方法，融合基序与上下文子图生成反事实图，并利用GAN优化器及多种损失约束满足真实性、有效性、邻近性和稀疏性，提升检测性能。
2024-07-18 cs.LG cs.SI
Gradual Weisfeiler-Leman: Slow and Steady Wins the Race
University of Vienna（维也纳大学）
经典的Weisfeiler-Leman算法（又称颜色细化）是使用核和神经网络进行图学习的基础。该算法最初是为图同构测试而开发的，它迭代地细化顶点颜色。在许多数据集上，稳定着色在几次迭代之后达到，并且机器学习任务的最佳迭代次数通常甚至更低。这表明颜色发散得太快，定义的相似性太粗糙。我们概括了颜色细化的概念，并提出了一个逐步邻域细化的框架，它允许较慢的收敛到稳定的着色，从而提供了一个更细粒度的细化层次结构和顶点相似性。我们通过聚类顶点邻域来分配新的颜色，取代了原来的单射颜色分配函数。我们的方法是用来获得新的变种现有的图形内核和近似的图形编辑距离通过最佳分配顶点相似性。我们表明，在这两个任务中，我们的方法优于原来的颜色细化，只有一个温和的增加运行时间推进的最先进的。
2022-12-08 cs.DS cs.LG
REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
University of Kansas（堪萨斯大学）
该研究针对电子健康记录预测中患者个性化医学概念表示的需求，提出REFINE框架，结合强化学习、异构GNN与冻结LLM，在MIMIC-III和MIMIC-IV数据集上提升了EHR预测性能。
2026-09-07 cs.AI cs.LG
DRESS: A Continuous Framework for Structural Graph Refinement
DRESS是一种无参数的连续框架，通过迭代优化图边结构相似性生成稳定指纹，提升图结构表达能力，并在强正则图基准中实现有效区分。
2026-03-11 cs.DS cs.LG
Graph-level Protein Representation Learning by Structure Knowledge Refinement
本文提出了一种名为SKR的无监督图级表示学习新框架，利用数据结构判定样本对正负概率并配合保留语义的增强策略，有效解决了图对比学习中假负对影响和增强策略适应性弱的问题，在图级分类任务上优于大多数基线方法。
2024-01-05 cs.AI cs.LG q-bio.BM
GARV: Graph-Aware Refinement and Safety Verification for High-Level Robot Plans
Prairie View A&M University（草原景观农业机械大学）；Texas A&M University（德克萨斯A&M大学）
本研究揭示语言机器人系统中安全监控器基于表面计划判定与图细化轨迹判定存在差异，提出轨迹细化作为轻量级缓解与诊断工具。
2026-10-28 cs.LG cs.RO
Uncertainty-based graph convolutional networks for organ segmentation refinement
Technische Universität München（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；ETH Zurich（苏黎世联邦理工学院）
CT容积中的器官分割是许多计算机辅助介入和诊断方法中的重要预处理步骤。近年来，卷积神经网络在这项任务中占据了主导地位。然而，由于该问题由于器官形状的高度可变性和组织之间的相似性而呈现出具有挑战性的环境，因此在输出分割中产生假阴性和假阳性区域是常见的问题。最近的工作表明，模型的不确定性分析可以为我们提供有用的信息，潜在的错误分割。在此背景下，我们提出了一种基于不确定性分析和图卷积网络的分割细化方法。我们使用特定输入量中卷积网络的不确定性水平来制定半监督图学习问题，该问题通过训练图卷积网络来解决。为了测试我们的方法，我们改进了2D U网的初始输出。我们用NIH胰腺数据集和医学分割十项全能的脾脏数据集验证了我们的框架。我们表明，我们的方法优于国家的最先进的CRF细化方法，提高骰子得分1%的胰腺和2%的脾脏，相对于原来的U-Net的预测。最后，我们讨论了该模型的结果和目前的局限性，为今后的工作在这一研究方向。出于可重复性的目的，我们将我们的代码公开。
2020-08-22 cs.LG eess.IV stat.ML
Dimension Reduction via Colour Refinement
RWTH Aachen University（亚琛工业大学）；TU Dortmund University（多特蒙德工业大学）
颜色精化是图同构测试的基本算法程序，几乎在所有实际的同构求解器中都以子程序的形式出现。它将图的顶点划分为“颜色类”，使得同一颜色类中的所有顶点在每个颜色类中都有相同数量的邻居。Tinhofer（Disc.应用数学，1991），Ramana，Scheinerman，and Ullman（Disc.数学、1994）和Godsil（Lin. Alg.及其应用程序，1997）建立了图的颜色精化和分数同构之间的紧密对应，这是图同构的自然ILP公式的LP松弛的解决方案。我们介绍了一个版本的颜色细化矩阵和扩展现有的拟线性算法计算的颜色类。然后，我们推广了色加细和分数自同构之间的对应关系，并发展了矩阵的分数自同构和同构理论。我们应用我们的结果来减少线性方程组和线性规划系统的维数。具体而言，我们表明，任何给定的LP L可以有效地转化为一个（潜在的）较小的LP L'的变量和约束的数量是颜色细化算法的颜色类的数量，应用到与LP相关的矩阵。这种转换使得我们可以很容易地（通过线性映射）在两个LP之间来回映射可行的和最优的解决方案。我们的经验表明，颜色细化确实可以大大降低成本，解决线性规划。
2014-04-30 cs.DM cs.DS cs.LG
Towards Faster Graph Partitioning via Pre-training and Inductive Inference
The Hong Kong University of Science & Technology（香港科技大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）
本文提出PR-GPT方法，通过在小合成图上预训练深度图学习模型并进行归纳推理，为大规模图划分提供高质量初始化，再结合InfoMap等精化方法，在保持划分质量的同时显著提升推理效率。
2024-09-01 cs.LG cs.SI
Vejde: A Framework for Inductive Deep Reinforcement Learning Based on Factor Graph Color Refinement
Division of Network and Systems Engineering（网络与系统工程系）；KTH Royal Institute of Technology（皇家理工学院）
Vejde通过结合数据抽象、图神经网络和强化学习，实现对复杂状态决策问题的归纳式策略生成，展示了其在多个任务域中的泛化能力。
2026-01-19 cs.AI cs.LG
Tags for DAGs: Graph Refinement with Meta-Informed Relations
Computer Science Department, Technical University of Darmstadt（达姆施塔特技术大学计算机科学系）；Hessian Center for AI (hessian.AI)（海德堡人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, Technical University of Darmstadt（达姆施塔特技术大学认知科学中心）；Department of Mathematics and Computer Science, Eindhoven University of Technology（埃因霍温理工大学数学与计算机科学系）
提出基于多标签的因果发现方法，利用标签间边关系定向无向边，提升因果发现性能并符合常识。
2026-09-29 cs.AI cs.LG
Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement
Australian National University（澳大利亚国立大学）；Data61（数据61）；CSIRO（联邦科学与工业研究组织）
针对直推式少样本学习中原型估计不准与核函数图构建次优的问题，提出随原型迭代更新的原型-样本关系图及原型标签传播方法，并在多个数据集上取得SOTA。
2023-04-23 cs.AI cs.CV cs.LG
KG-FairDiff: Knowledge Graph-Guided Prompt Refinement for Demographically Fair Text-to-Image Generation
University of Science and Technology of China（中国科学技术大学）；Sharif University of Technology（谢赫·伊斯兰大学）；Iran University of Science and Technology（伊朗科学技术大学）
提出KG-FairDiff框架，通过知识图谱引导的提示词精炼，在推理时优化公平性损失，减少文本到图像生成中的性别、种族、年龄等人口统计偏差，同时保持语义保真度。
2026-05-31 cs.CV cs.CY cs.LG
EGRC-Net: Embedding-induced Graph Refinement Clustering Network
City University of Hong Kong（香港城市大学）；Caritas Institute of Higher Education（明爱专上学院）；Southeast University（东南大学）
针对固定图导致聚类性能受限的问题，提出EGRC-Net，利用学习嵌入动态精炼图结构，融合自编码器与图卷积，通过Jeffreys散度无监督训练，在多个基准上显著提升聚类性能并降低资源消耗。
2023-11-14 cs.AI cs.LG cs.MM
Fed-LDR: Federated Local Data-infused Graph Creation with Node-centric Model Refinement
University of Virginia（弗吉尼亚大学）；University of Southern California（南加州大学）；University of Dhaka（达卡大学）
针对联邦学习框架下城市时空数据复杂依赖捕捉与异质性适配难题，提出含动态图构建与节点级参数定制双模块的Fed-LDR算法，在PeMS数据集上误差显著低于基线方法。
2024-11-07 cs.DC cs.LG cs.SI
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation
Technical University of Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Helmholtz Center Munich（亥姆霍兹慕尼黑中心）
CT容积中的器官分割是许多计算机辅助介入和诊断方法中的重要预处理步骤。近年来，卷积神经网络在这项任务中占据了主导地位。然而，由于该问题由于器官形状的高度可变性和组织之间的相似性而呈现出具有挑战性的环境，因此在输出分割中产生假阴性和假阳性区域是常见的问题。最近的工作表明，模型的不确定性分析可以为我们提供有用的信息，潜在的错误分割。在此背景下，我们提出了一种基于不确定性分析和图卷积网络的分割细化方法。我们使用特定输入量中卷积网络的不确定性水平来制定半监督图学习问题，该问题通过训练图卷积网络来解决。为了测试我们的方法，我们改进了2D U网的初始输出。我们用NIH胰腺数据集和医学分割十项全能的脾脏数据集验证了我们的框架。我们表明，我们的方法优于国家的最先进的CRF细化方法，提高骰子得分1%的胰腺和2%的脾脏，相对于原来的U-Net的预测。最后，我们对我们建议的参数进行了敏感性分析，并讨论了对其他CNN架构的适用性，结果以及该模型在该研究方向未来工作中的当前限制。出于可重复性的目的，我们在https://github.com/rodsom22/gcn_refinement上公开提供我们的代码。
2020-12-06 cs.CV cs.LG eess.IV
RefTr: Recurrent Refinement of Confluent Trajectories for 3D Vascular Tree Centerlines
RefTr通过递归细化连通轨迹生成3D血管树中心线，采用Transformer架构提升精度并减少参数，实验显示其在性能、速度和参数数量上均优于现有方法。
2026-03-12 cs.AI cs.CV cs.LG
AdaptBot: Combining LLM with Knowledge Graphs and Human Input for Generic-to-Specific Task Decomposition and Knowledge Refinement
Robotics Research Center, IIIT Hyderabad（IIIT 海得拉巴机器人研究中心）；TCS Research, Tata Consultancy Services（塔塔咨询服务公司 TCS 研究院）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出AdaptBot框架，结合LLM、知识图谱与人类输入，解决具身智能体在新任务中因特定约束无法执行抽象动作序列的问题，实现快速适应与知识精炼，实验证明该方法性能显著优于仅使用LLM。
2025-03-06 cs.AI cs.CL cs.LG
