Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing
Beihang University（北京航空航天大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
拓扑不平衡是由标记节点的拓扑位置不均匀引起的特定于图的不平衡问题，它严重损害了GNN的性能。拓扑不平衡意味着什么以及如何衡量其对图学习的影响仍然没有得到充分的探索。在本文中，我们提供了一个新的理解的拓扑不平衡从全局来看的监管信息分布的不足和过度挤压，这促使两个定量指标作为测量。基于我们的分析，我们提出了一种新的位置感知图结构学习框架PASTEL，它直接优化了信息传播路径，从本质上解决了拓扑不平衡问题。我们的关键见解是提高同一类内节点的连通性，以获得更多的监督信息，从而缓解不足和过度挤压现象。具体来说，我们设计了一个基于锚点的位置编码机制，它更好地结合了相对拓扑位置，并通过最大化标签影响来增强类内归纳偏差。我们进一步提出了一个类的冲突措施作为边的权重，这有利于不同的节点类的分离。大量的实验证明了PASTEL在增强GNN在不同数据标注场景中的能力方面的优越潜力和适应性。
2022-08-17 cs.AI cs.LG
Expediting Distributed DNN Training with Device Topology-Aware Graph Deployment
本文介绍了TAG，这是一个自动系统，用于导出优化的DNN训练图及其部署到任何设备拓扑结构上，以加快设备和拓扑异构ML集群的训练。我们新颖地将DNN计算图和设备拓扑图作为输入组合到图神经网络（GNN）中，并将GNN与基于搜索的方法相结合，以快速识别优化的分布式训练策略。为了减少异构集群中的通信，我们进一步探索了无损梯度压缩技术，并解决了一个组合优化问题，以自动应用该技术的训练时间最小化。我们使用各种具有代表性的DNN模型和设备拓扑来评估TAG，结果表明，与现有方案相比，它可以实现高达4.56倍的训练速度。TAG可以为看不见的DNN模型和看不见的设备拓扑生成有效的部署策略，而无需进行大量的微调。
2023-02-13 cs.DC cs.LG
Topology-Aware Gaussian Graph Repair for Robust Graph Neural Networks
Computing Science/Financial Computing and Data Analytics Group, Tampere University（计算科学/金融计算与数据分析组，塔尔皮奥大学）
提出拓扑感知高斯修复（TAGR）框架，通过自适应高斯核构建稀疏特征邻域图并结合拓扑感知残差校正，在不改变网络架构的情况下提升图神经网络在噪声边和缺失边场景下的鲁棒性。
2026-06-02 cs.LG cs.SI
Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
最优潮流问题的求解是保证电网实时运行的有效性和可靠性的基础性工作。提出了一种新的拓扑信息图神经网络（GNN）方法，用于预测实时交流最优潮流问题的最优解。为了将电网拓扑结构的NN模型，建议GNN-for-OPF框架创新地利用位置边际价格和电压幅度的局部属性。此外，我们开发了一个物理感知（交流）流可行性正则化方法一般OPF学习。我们提出的设计的优点包括降低模型的复杂性，提高了泛化能力和可行性保证。通过对网格拓扑偶然性下图子空间稳定性的分析理解，我们表明所提出的GNN可以通过有效的再训练策略快速适应变化的网格拓扑。在不同规模的测试系统上进行的数值测试验证了我们提出的基于GNN的学习框架的预测精度、改进的流可行性和拓扑自适应能力。
2022-11-01 cs.LG cs.SY eess.SP
Topology-Aware Network Pruning using Multi-stage Graph Embedding and Reinforcement Learning
Iowa State University（爱荷华州立大学）；Technical University of Darmstadt（达姆施塔特工业大学）
模型压缩是在功率和内存受限的资源上部署深度神经网络（DNN）的基本技术。然而，现有的模型压缩方法往往依赖于人类的专业知识，并专注于参数的局部重要性，忽略了DNN中丰富的拓扑信息。在本文中，我们提出了一种新的多阶段图嵌入技术的基础上图神经网络（GNNs）识别DNN拓扑结构，并使用强化学习（RL）找到一个合适的压缩策略。我们进行了资源受限（即，FLOPs）通道修剪，并将我们的方法与最先进的模型压缩方法进行了比较。我们在从典型到移动友好网络的各种模型上评估了我们的方法，例如ResNet系列，VGG-16，MobileNet-v1/v2和ShuffleNet。结果表明，我们的方法可以实现更高的压缩比与最小的微调成本，但产生出色的和有竞争力的性能。
2022-07-01 cs.CV cs.LG
PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids
Stanford University（斯坦福大学）
本文提出PowerGNN，一种结合GraphSAGE与GRU的拓扑感知图神经网络框架，通过将电网母线和线路建模为图结构，在NREL 118系统上实现了优于基线方法的时空状态预测，为高可再生能源并网下的电网运行提供可扩展且鲁棒的预测方案。
2025-03-26 cs.LG cs.SY eess.SY
Topology-aware Reinforcement Feature Space Reconstruction for Graph Data
Arizona State University（亚利桑那州立大学）；Portland State University（波特兰州立大学）
本文提出一种基于拓扑感知强化学习的图数据特征空间重构方法，通过核心子图提取与GNN编码拓扑特征，并利用层次化强化代理迭代生成特征，实验验证了其有效性与效率。
2024-11-08 cs.AI cs.LG
DTA-GT: Direction- and Topology-Aware Graph Transformer for Neural Network Representation Learning
Hunan University（湖南大学）；Hunan University of Science and Technology（湖南科技大学）；Chinese Academy of Sciences（中国科学院）；The Hong Kong Polytechnic University（香港理工大学）
本文提出DTA-GT，一种方向与拓扑感知图Transformer，通过保留有向计算语义实现架构DAG表示，在NAS-Bench基准的准确率与延迟预测任务中，有限预算下性能优于多种现有预测器。
2026-11-10 cs.AI cs.LG cs.NE
Topology-aware Robust Optimization for Out-of-distribution Generalization
University of Delaware（特拉华大学）
本文提出拓扑感知鲁棒优化（TRO），通过拓扑学习揭示分布拓扑并约束鲁棒优化，在分类、回归和语义分割等任务中显著提升分布外泛化性能。
2023-07-26 cs.LG
TrajDLM: Topology-Aware Block Diffusion Language Model for Trajectory Generation
University of New South Wales（新南威尔士大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
TrajDLM结合块扩散模型与拓扑感知嵌入，实现高效且真实的轨迹生成，优于现有方法，在速度和细粒度相似性上表现优异，并在跨领域迁移中表现出色。
2026-11-03 cs.LG
TMTE: Effective Multimodal Graph Learning with Task-aware Modality and Topology Co-evolution
Sun Yat-sen University（中山大学）；Beijing Institute of Technology（北京理工大学）
本文提出TMTE框架，通过任务感知的模态与拓扑共进化方法，解决多模态图学习中图拓扑质量不足的问题，实现多视角度量学习与跨模态对齐，提升下游任务性能。
2026-08-10 cs.LG
Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks
Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；Northwestern University（西北大学）；New York University（纽约大学）
针对云网络动态路由优化中拓扑感知不足、决策不稳定的问题，提出融合SASE模块与PAGU机制的拓扑感知图强化学习方法，在GEANT数据集上多项指标优于现有模型，实现高效鲁棒的动态路由。
2025-09-05 cs.LG
TAGTorch: A PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning
Pacific Northwest National Laboratory（西北太平洋国家实验室）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；University of Washington（华盛顿大学）
针对几何拓扑对称感知机器学习软件生态碎片化问题，推出基于PyTorch的开源库TAGTorch，统一相关工具并阐述其设计架构与未来开发重点。
2026-08-03 cs.LG
Topology-aware Tensor Decomposition for Meta-graph Learning
HKUST（香港科技大学）；HUST（华中科技大学）
针对现有元图学习方法忽略拓扑结构的问题，提出拓扑感知张量分解TENSUS，从张量视角学习元图，可插件式提升异构图节点分类和推荐性能。
2023-09-01 cs.LG
PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning
Beijing Institute of Technology（北京理工大学）
针对联邦图学习中客户端级模态缺失问题，提出拓扑感知跨模态插补框架PRISM，通过联邦检索缺失模态语义并利用拓扑控制注入局部图传播，在六个多模态图数据集上平均提升4.48%。
2026-06-08 cs.LG
Topology-Aware State Abstraction with Tangle Cores for Markov Decision Processes
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）；Department of Civil, Construction & Environmental Engineering, Iowa State University（土木、建设与环境工程系，爱荷华州立大学）
提出纠缠核抽象框架，利用经验转移图的图纠缠构建重叠状态抽象，在动作一致性条件下保证价值保持，并通过实验证明其在瓶颈领域优于现有方法。
2026-05-29 cs.LG
TA-MoE: Topology-Aware Large Scale Mixture-of-Expert Training
Peking University（北京大学）；Baidu Inc.（百度公司）
稀疏门控混合专家（MoE）已经证明了其在将深度神经网络扩展到极端规模方面的有效性。尽管已经从模型设计或系统优化的角度做出了许多努力来提高MoE的性能，但是现有的MoE调度模式仍然不能充分利用底层的异构网络环境。本文从模型-系统协同设计的角度，提出了一种面向大规模MoE训练的拓扑感知路由策略TA-MoE，该策略能够根据网络拓扑动态调整MoE的调度模式。基于通信建模，我们将调度问题抽象为一个优化目标，得到了不同拓扑结构下的近似调度模式。在此基础上，我们设计了一个拓扑感知的辅助损耗，它可以自适应地路由数据以适应底层拓扑，而不会牺牲模型的准确性。实验表明，TA-MoE在各种硬件和模型配置上都能大幅优于同类产品，与流行的DeepSpeed-MoE、FastMoE和FasterMoE相比，性能提高了约1.01倍-1.61倍、1.01倍-4.77倍、1.25倍-1.54倍。
2023-02-20 cs.AI cs.LG
Topology-Aware Activation Functions in Neural Networks
University of Texas Rio Grande Valley - School of Mathematical and Statistical Sciences（德克萨斯大学里奥格兰德谷大学-数学与统计科学学院）
本文提出拓扑感知激活函数 SmoothSplit 和 ParametricSplit，通过引入拓扑切割能力提升神经网络在低维层中的流形变换与性能。
2025-07-17 cs.LG cs.NE
Topology-Aware Dynamic Reweighting for Distribution Shifts on Graph
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
针对图神经网络在分布偏移下泛化受限的问题，提出拓扑感知动态重加权（TAR）框架，通过几何Wasserstein空间中的梯度流动态调整样本权重以提供分布鲁棒性，无需严格不变性假设，在多个图OOD和类别不平衡数据集上显著提升泛化性能。
2024-06-03 cs.LG
Topology-Aware Active Learning on Graphs
Department of Mathematics, University of California Los Angeles（加州大学洛杉矶分校数学系）
本文提出一种图拓扑方法用于主动学习，通过构造基于平衡Forman曲率的coreset算法，引导探索并实现从探索到利用的动态切换，提升半监督学习性能。
2026-04-15 cs.LG
ARCS: Autoregressive Circuit Synthesis with Topology-Aware Graph Attention and Spec Conditioning
New York University（纽约大学）
ARCS通过结合图变分自编码器和流匹配模型，实现快速生成高精度模拟电路，其在拓扑和组件值上达到99.9%的模拟有效性，效率比传统方法提升40倍。
2026-04-19 cs.AR cs.LG
Resource-Aware Network Topology Management Framework
Foundation University（费登大学）；Ton Duc Thang University（同塔大学）；Wuhan University（武汉大学）；Wuhan University of Technology（武汉理工大学）；Palestine Technical University（巴勒斯坦技术大学）；Oxford Brookes University（牛津布鲁克斯大学）；Obuda University（欧布达大学）；Bauhaus University Weimar（魏玛包豪斯大学）
云基础设施提供计算服务，其中可以按需调整计算资源。然而，云基础设施的采用带来了对服务提供商网络的依赖、可靠性、服务水平协议的合规性等问题。软件定义网络（SDN）是建议网络数据平面与控制平面分离的网络概念。这个概念改善了网络行为。在本文中，我们提出了一个支持SDN的资源感知拓扑框架。该框架采用SLA兼容性，路径计算元素（PCE）和共享公平负载，以实现更好的拓扑功能。我们还提出了一个评估，展示了我们的框架的潜力。
2020-02-26 cs.LG cs.NI
Topology-aware Differential Privacy for Decentralized Image Classification
Chongqing University（重庆大学）；Nanyang Technological University（南洋理工大学）
在本文中，我们设计了Top-DP，一种新的解决方案，以优化分散的图像分类系统的差分隐私保护。我们的解决方案的关键见解是利用分散式通信拓扑的独特功能来降低噪声规模并提高模型可用性。(1)我们增强了DP-SGD算法与这种拓扑意识的降噪策略，并集成了时间意识的噪声衰减技术。(2)我们设计了两个新的学习协议（同步和异步），以保护不同的网络连接和拓扑结构的系统。我们正式分析和证明我们提出的解决方案的DP要求。实验评估表明，我们的解决方案实现了更好的可用性和隐私之间的权衡比以前的作品。据我们所知，这是第一次从网络拓扑的角度进行DP优化工作。
2021-09-02 cs.CR cs.LG
Topology-Aware Graph Pooling Networks
Iowa State University（爱荷华州立大学）；Texas A&M University（得克萨斯农工大学）
池化操作已被证明对计算机视觉和自然语言处理任务有效。在图数据上执行池化操作的一个挑战是缺乏在图上没有良好定义的局部性。以前的研究使用全局排序方法对一些重要节点进行采样，但大多数都不能结合图的拓扑结构。在这项工作中，我们提出了拓扑感知池（TAP）层，明确考虑图形拓扑。我们的TAP层是一个两阶段的投票过程，选择图中更重要的节点。它首先执行本地投票，通过让每个节点参加其相邻节点来为每个节点生成分数。分数在本地生成，使得拓扑信息被明确地考虑。此外，图的拓扑结构被纳入到全局投票中，以计算整个图中每个节点的全局重要性得分。总而言之，每个节点的最终排名得分是通过结合其本地和全局投票得分来计算的。为了鼓励更好的图形连接的采样图，我们建议添加一个图形连接项的排名分数的计算。图分类任务的结果表明，我们的方法比以前的方法实现了更好的性能。
2020-10-19 cs.LG cs.SI
MasFACT: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer
Beihang University（北京航空航天大学）
本文提出MasFACT框架，通过几何感知后验转移方法，解决多智能体系统中因新任务适应导致的拓扑遗忘问题，提升连续学习任务的准确性和拓扑稳定性。
2026-07-10 cs.AI cs.LG
FedRings: A Scalable and Topology-Aware Federated Learning Framework for LEO Satellite Constellations
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
针对低轨卫星网络联邦学习的动态拓扑与通信限制，提出FedRings环形去中心化框架，通过感知链路的路由调度、自适应聚合及历史补偿实现高效稳定学习，性能优于现有方法。
2026-08-05 cs.DC cs.LG
Topology-Aware Knowledge Propagation in Decentralized Learning
University of Chicago（芝加哥大学）；Argonne National Laboratory（阿贡国家实验室）
本文研究去中心化学习中 OOD 知识受拓扑影响而传播不足的问题，提出拓扑感知聚合策略，使各模型 OOD 准确率较基线平均提升123%。
2025-05-16 cs.AI cs.DC cs.LG
Beyond the Federation: Topology-aware Federated Learning for Generalization to Unseen Clients
University of Delaware（特拉华大学）
针对联邦学习在未知客户端上泛化差且难以扩展的问题，提出利用隐私保护客户端拓扑的 TFL 框架，并验证其 OOF 鲁棒性与可扩展性。
2024-07-06 cs.DC cs.LG
Topology-Aware Revival for Efficient Sparse Training
TAR通过拓扑感知的后剪枝方法提升静态稀疏训练的效率和鲁棒性，实验证明其在连续控制任务中表现优于传统方法。
2026-02-04 cs.AI cs.LG
HTNet: Human Topology Aware Network for 3D Human Pose Estimation
Key Laboratory of Machine Perception, Shenzhen Graduate School, Peking University（北京大学深圳研究生院机器感知重点实验室）
三维人体位姿估计误差会沿着人体拓扑结构传播，并在肢体末端关节处积累。受自动控制系统中回溯机制的启发，设计了一个以父结点为参照的零件内约束模块，在零件级建立端部连接的拓扑约束。进一步考虑人体拓扑结构的层次性，分别通过图卷积网络和自注意力捕获关节级和身体级依赖性。基于这些设计，我们提出了一种新的人类拓扑感知网络（HTNet），它采用了通道分裂渐进策略，顺序学习的结构先验的人类拓扑结构从多个语义层次：关节，部分，和身体。大量实验表明，该方法提高了18.7%的四肢末端关节的估计精度，并在Human3.6M和MPI-INF-3DHP数据集上取得了最先进的结果。代码可在https://github.com/vefalun/HTNet上获得。
2023-02-20 cs.CV cs.HC cs.LG
Stabilizing Decentralized Federated Fine-Tuning via Topology-Aware Alternating LoRA
Department of Electrical and Computer Engineering, New York University, Brooklyn, NY, USA（电气与计算机工程系，纽约大学，布鲁克林，纽约，美国）
TAD-LoRA通过拓扑感知的交替LoRA方法，在去中心化联邦学习中稳定参数高效微调，提升不同通信拓扑下的性能。
2026-01-31 cs.DC cs.LG
Enhancing anomaly detection with topology-aware autoencoders
Durham University（杜伦大学）；University of Warsaw（华沙大学）
提出将自编码器潜在空间设计为反映能量-动量守恒的球面、乘积和射影流形，并在强子顶夸克衰变模拟中证明其可提升异常事件检测的灵敏度与鲁棒性。
2025-02-14 cs.LG hep-ex hep-ph
Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey
University of Calgary（卡尔加里大学）；Michigan State University（密歇根州立大学）
本文系统综述了边缘计算中拓扑感知的联邦学习方法，分析了星形拓扑的局限及其他边缘网络拓扑的优劣，并总结了该领域面临的挑战与未来研究方向。
2024-06-17 cs.DC cs.LG
Beyond Passive Aggregation: Active Auditing and Topology-Aware Defense in Decentralized Federated Learning
Yunnan Key Laboratory of Statistical Modeling and Data Analysis（云南统计模型与数据研究所）；Yunnan University（云南大学）
本文提出主动审计和拓扑感知防御框架，通过动态模型和新型审计指标检测隐蔽后门，提升去中心化联邦学习的鲁棒性。
2026-03-19 cs.LG stat.ME
Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs
University of Science and Technology of China（中国科学技术大学）
归纳链接预测--其中在训练和推理阶段的实体可以是不同的--已被证明有希望完成不断进化的知识图谱。现有的归纳推理模型主要集中在通过学习逻辑规则来预测缺失环节。然而，许多现有的方法不考虑关系之间的语义相关性，这是常见的在现实世界的知识图谱。为了解决这个问题，我们提出了一种新的归纳推理方法，即TACT，它可以有效地利用拓扑感知的关系之间的关联，在一个实体独立的方式。TACT的灵感来自于观察到两个关系之间的语义相关性与它们在知识图谱中的拓扑结构高度相关。具体来说，我们将所有的关系对分为几个拓扑模式，然后提出了一个关系相关网络（RCN）学习的重要性，归纳链接预测的不同模式。实验表明，TACT可以有效地建模关系之间的语义相关性，并显着优于现有的国家的最先进的方法在基准数据集上的归纳链接预测任务。
2021-03-05 cs.CL cs.LG
SOM-VQ: Topology-Aware Tokenization for Interactive Generative Models
Department of Computer, Automatic and Management Engineering. Sapienza University, Via Ariosto 25, Rome, Italy（计算机、自动化与管理工程系。萨皮恩扎大学）；Sony Computer Science Laboratories - Rome. Joint Initiative CREF-SONY, Centro Ricerche Enrico Fermi. Via Panisperna 89/A, 00184, Rome, Italy（索尼计算机科学实验室-罗马。联合倡议 CREF-SONY，恩里科·费米研究中心）
SOM-VQ通过结合自组织映射与向量量化，提供了一种具有显式拓扑结构的分词方法，以实现交互生成模型中的可解释离散表示。
2026-02-24 cs.LG stat.ML
Pitfalls of topology-aware image segmentation
Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（慕尼黑工业大学医疗保健与医学人工智能教席）；TUM University Hospital（慕尼黑工业大学医院）；School of Computation, Information and Technology, TUM（慕尼黑工业大学计算、信息与技术学院）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）；Weill Cornell Medicine, Cornell University（康奈尔大学威尔医学院）
本文指出了拓扑感知医学图像分割在模型评估中存在的连通性选择、标注伪影和指标误用等陷阱，并通过实证分析揭示其影响，提出了建立公平稳健评估标准的建议。
2024-12-19 cs.AI cs.CV cs.LG
Topology-Aware Conformal Prediction for Stream Networks
Northwestern University（西北大学）；University of Illinois Chicago（伊利诺伊大学香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出时空自适应保形推理框架STACI，通过拓扑感知非一致性分数整合河流网络有向流约束与时间动态，在保证有效性的同时提升预测效率和覆盖率。
2025-11-08 cs.LG stat.ML
FedTaste: Topology-Aware Structural Transfer for Multimodal Federated Learning with Missing Modalities
The University of Tokyo（东京大学）；Great Bay University（大湾区大学）
针对多模态联邦学习中模态缺失和数据分布问题，提出FedTaste框架，利用冻结基础模型提取联合多模态拓扑，结合模态自适应结构提示等方法，避免显式模态插补，在多数据集和非IID设置下性能优越且通信开销低。
2026-07-28 cs.LG cs.MM
TopoLoRA-SAM: Topology-Aware Parameter-Efficient Adaptation of Foundation Segmenters for Thin-Structure and Cross-Domain Binary Semantic Segmentation
Talan Research \& Innovation Center, Paris, France
TopoLoRA-SAM通过拓扑感知的参数高效方法，在细长结构和跨域二分类语义分割中实现最佳性能。
2026-01-05 cs.AI cs.CV cs.LG
Consistency-aware and Inconsistency-aware Graph-based Multi-view Clustering
WASEDA University（早稻田大学）
由于多视图数据在机器学习应用中经常遇到，因此多视图数据分析越来越受欢迎。多视图聚类（MVC）是一种简单但有前途的多视图数据聚类方法，它已经得到了广泛的发展，通过学习跨多视图数据共享的潜在共同特征，将给定的主题分类到一些聚类组中。在现有的方法中，基于图的多视图聚类（GMVC）通过利用称为统一矩阵的共享图矩阵来实现最先进的性能。然而，现有的方法，包括GMVC不显式地解决输入图矩阵的不一致的部分。因此，它们受到不可接受的聚类性能的不利影响。为此，本文提出了一种新的GMVC方法，它包含了跨多个视图的一致和不一致的部分。该提案被指定为CI-GMVC。真实世界数据集的数值评估证明了所提出的CI-GMVC的有效性。
2020-11-25 cs.LG stat.ML
On the Need for Topology-Aware Generative Models for Manifold-Based Defenses
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；SRI International（斯坦福国际研究院）；XaiPient（赛派恩特）
机器学习（ML）算法或模型，特别是深度神经网络（DNN），在几个领域显示出了巨大的前景。然而，研究人员最近证明，ML算法，特别是DNN，容易受到对抗性样本（导致错误分类的轻微扰动样本）的影响。对抗性示例的存在阻碍了ML算法在安全关键领域（如安全）的部署。在文献中有几种对抗性例子的辩护。其中一类重要的防御是基于流形的防御，其中样本在分类之前被“拉回”到数据流形中。这些防御依赖于数据位于比输入空间更低维度的流形中的假设。这些防御使用生成模型来近似输入分布。在本文中，我们调查了以下问题：在流形为基础的防御中使用的生成模型需要拓扑感知？我们认为答案是肯定的，我们提供了理论和经验证据来支持我们的主张。
2020-02-17 cs.CR cs.LG stat.ML
Trajectory-Aware Flow Matching for Topology Optimisation
School of Mechanical, Medical and Process Engineering, Queensland University of Technology（昆士兰科技大学机械、医学与过程工程学院）；Institute of Biomechanics and Medical Engineering, AML, Department of Engineering Mechanics, Tsinghua University（清华大学工程力学系生物力学与医学工程研究所）；School of Civil and Environmental Engineering, Queensland University of Technology（昆士兰科技大学土木与环境工程学院）；State Key Laboratory of Advanced Environmental Technology, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences（中国科学院广州地球化学研究所环境技术重点实验室）
研究针对拓扑优化中成本高、现有模型依赖复杂方法的问题，开发基于流匹配的拓扑优化（FMTO）框架，通过轨迹感知公式将物理引导优化历史纳入生成流学习，经分析和示例验证其能提升性能，适用于二维及三维问题。
2026-07-17 cs.LG cs.NA math.NA
End-to-End Topology-Aware Machine Learning for Power System Reliability Assessment
Texas A&M University（德克萨斯农工大学）
传统的电力系统可靠性分析方法受到蒙特卡罗模拟法运行时间长和解析枚举法维数灾的影响。本文提出了一个端到端的机器学习直接预测的可靠性指标，例如，失载概率（LOLP）。通过将系统导纳矩阵编码到输入特征中，所提出的机器学习流水线可以考虑由于输电线路的定期维护而引起的特定拓扑变化的影响。两种模型（支持向量机和Boosting树）的训练和比较。还讨论了关于训练数据创建和预处理的细节。最后，在IEEE RTS-79系统上进行了实验。结果表明，所提出的端到端的机器学习管道的可靠性评估的适用性。
2022-05-30 cs.AI cs.LG physics.data-an
Structural Concentration in Weighted Networks: A Class of Topology-Aware Indices
本文提出了一种统一框架，用于测量嵌入交互网络中的加权系统集中度。通过引入拓扑感知集中度指数，结合权重分布和网络结构，弥补传统指数的不足。
2026-03-23 cs.LG stat.ML
Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders
提出拓扑感知图增强框架，通过保留枢纽节点和重要边来增强脑网络，提升神经认知障碍临床轨迹预测的泛化能力。
2024-10-31 cs.CV cs.LG eess.IV
Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks
Department of Computer Science, Western University（计算机科学系，西部大学）；Department of Biochemistry, Western University（生物化学系，西部大学）
本文提出了一种拓扑感知的框架，通过上下文感知表示学习和知识蒸馏，提升多重生物网络中零样本交互预测的性能。
2026-02-20 cs.AI cs.LG q-bio.QM
FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning
Sun Yat-sen University（中山大学）；Beijing Institute of Technology（北京理工大学）
针对子图联邦学习中子图异质性导致全局图神经网络性能受损的问题，提出拓扑感知无数据知识蒸馏技术FedTAD，通过解耦节点与拓扑变化增强可靠知识转移，在六个数据集上优于基线方法。
2024-04-25 cs.AI cs.DB cs.LG
AoiZora: Compiler-Agnostic, Placement-Aware Auto-Parallelization for Video Diffusion Transformers
Rice University（里士大学）；Independent Researcher（独立研究者）；Google（谷歌）
针对扩散变换器推理中的低延迟需求，提出AoiZora编译器，通过拓扑感知的物理布局优化自动并行策略，在TPU子片上实现高达1.42倍的加速。
2026-11-03 cs.DC cs.LG
TASP: Topology-aware Sequence Parallelism
针对长上下文大模型序列并行中环注意力通信效率低的问题，提出拓扑感知的TASP方法，利用拓扑分解和原语分解，在H100和MI300X上最高提速3.58倍。
2025-10-09 cs.DC cs.LG
Topology-Aware Representation Alignment for Semi-Supervised Vision-Language Learning
KAIST（韩国科学技术院）；POSTECH
本文提出ToMA框架，通过持久同调识别拓扑显著边，利用跨模态对应关系对齐多模态表示，提升视觉-语言学习在遥感和时尚检索中的性能。
2026-10-15 cs.CV cs.LG math.AT
Information-Theoretic Generalization Analysis for Topology-aware Heterogeneous Federated Edge Learning over Noisy Channels
Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳））；University of Electronic Science and Technology of China（电子科技大学）
针对噪声信道下拓扑感知的异构联邦边缘学习，提出信息论泛化分析，并设计FedGMIR正则化方法提升模型性能，数值实验验证了其有效性。
2023-12-23 cs.IT cs.LG math.IT
Topology Aware Neural Interpolation of Scalar Fields
CNRS and Sorbonne University（法国国家科学研究中心和索邦大学）；University of Arizona（亚利桑那大学）
本文提出了一种基于拓扑感知的神经网络插值方法，通过学习时间值与标量场的关系，实现对时间变化数据的高效插值，提升几何和拓扑重建效果。
2025-11-21 cs.CV cs.GR cs.LG
Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining
School of Computing, Engineering \& Mathematical Sciences, La Trobe University, Melbourne, Australia；School of Engineering；Applied Sciences, GIFT University, Gujranwala 52250, Pakistan
TopoOT通过拓扑感知最优传输链实现异常分割的测试时适应，结合多过滤器持久图与在线训练，提升鲁棒性并取得最佳性能。
2026-01-28 cs.CV cs.LG
