Automated Decision-Making on Networks with LLMs through Knowledge-Guided Evolution
Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
针对图神经网络配置调优成本高的问题，提出LLMNet系统，借助多智能体构建图知识库并结合RAG，通过知识引导进化实现GNN自动设计，在12个数据集的三类图任务上表现优异。
2025-06-17 cs.LG
Measuring and Sampling: A Metric-guided Subgraph Learning Framework for Graph Neural Network
University of California, Davis（加州大学戴维斯分校）；Florida State University（佛罗里达州立大学）
图神经网络（GNN）在学习既保留节点属性又保留图结构信息的强大节点表示方面表现出令人信服的性能。然而，许多GNN在设计有更深的网络结构或处理大型图时会遇到有效性和效率方面的问题。已经提出了几种采样算法来改进和加速GNN的训练，但它们忽略了理解GNN性能增益的来源。对图数据内部信息的度量可以帮助采样算法在去除冗余信息甚至噪声的同时保留高价值信息。在本文中，我们提出了一个度量引导（MeGuide）子图学习框架的GNN。MeGuide采用两个新的指标：特征平滑度和连接失败距离来指导子图采样和基于小批量的训练。特征平滑度用于分析节点的特征以保留最有价值的信息，而连接失效距离用于度量结构信息以控制子图的大小。我们证明了MeGuide在多个数据集上训练各种GNN的有效性和效率。
2021-12-30 cs.AI cs.LG
Topology-aware Neural Flux Prediction Guided by Physics
William & Mary（威廉与玛丽学院）
本文针对GNN在有向图中丢失高频分量的问题，提出结合显式差分矩阵与隐式物理约束的拓扑感知框架，并在水流和交通流网络上验证了其有效性。
2025-06-06 cs.LG
Evi-VN: Hard Region Guided Virtual Node Evidence Injection for GNN-Based Fraud Detection
The Hong Kong Polytechnic University（香港理工大学）
Evi-VN是首个用特征隔离证据链纠正GNN共享难区域的图欺诈检测框架，通过虚拟类节点选择性注入异构证据，可增强各类GNN，在多欺诈任务上验证了优势。
2026-10-09 cs.LG
Structure-Guided Input Graph for GNNs facing Heterophily
Rey Juan Carlos University（雷伊·胡安·卡洛斯大学）；Rice University（莱斯大学）
针对异配图中相邻节点标签不一致导致 GNN 性能下降的问题，本文基于度或中心性等结构特征构建 k-近邻输入图，使标签更平滑并提升 GNN 表现。
2024-12-02 cs.LG eess.SP
Adapting to Heterophilic Graph Data with Structure-Guided Neighbor Discovery
Department of Signal Theory and Communications, King Juan Carlos University（信号理论与通信系，国王胡安·卡洛斯大学）；Department of Electrical and Computer Engineering, Rice University（电气与计算机工程系，里奇大学）
针对GNN在异配图上依赖同配假设的问题，本文构建基于结构属性的替代图并提出SG-GNN，多视图自适应融合原图与结构图，理论与实验均验证其性能优势。
2025-06-10 cs.LG eess.SP
Sampling-guided Heterogeneous Graph Neural Network with Temporal Smoothing for Scalable Longitudinal Data Imputation
East China Normal University（华东师范大学）；Stanford University（斯坦福大学）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出SHT-GNN框架，通过异质图建模观测与协变量，结合受试者级采样和时序平滑，实现大规模纵向数据的高效插补，在ADNI等数据集上显著优于现有方法。
2024-11-07 cs.LG
Deep reinforcement learning guided graph neural networks for brain network analysis
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Macquarie University（麦考瑞大学）；Beihang University（北京航空航天大学）；National Acoustic Laboratories（国家声学实验室）；CAEIT（中国电子科学研究院）
现代神经成像技术，如扩散张量成像（DTI）和功能性磁共振成像（fMRI），使我们能够将人脑建模为大脑网络或连接体。捕捉大脑网络的结构信息和层次模式对于理解大脑功能和疾病状态至关重要。近年来，图神经网络（GNNs）具有良好的网络表示学习能力，促使人们提出了许多基于GNNs的脑网络分析方法。具体而言，这些方法应用特征聚合和全局池化来将脑网络实例转换为用于下游脑网络分析任务的有意义的低维表示。然而，现有的基于GNN的方法往往忽略了不同主体的大脑网络可能需要各种聚合迭代，并使用具有固定层数的GNN来学习所有大脑网络。因此，如何充分释放GNN的潜力，促进大脑网络分析仍然是一个不平凡的问题。为了解决这个问题，我们提出了一种新的大脑网络表示框架，即BN-GNN，它为每个大脑网络搜索最佳的GNN架构。具体来说，BN-GNN采用深度强化学习（DRL）来训练元策略，以自动确定给定大脑网络所需的最佳特征聚合数量（反映在GNN层的数量中）。在八个真实脑网络数据集上进行的大量实验表明，我们提出的BN-GNN提高了传统GNN在不同脑网络分析任务上的性能。
2022-07-24 cs.AI cs.LG cs.NE
GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文提出三种图重新连边策略 ComMa、FeaSt 和 ComFy，分别针对社区结构、特征相似性及其对齐关系，以替代谱间隙优化并提升 GNN 性能。
2025-02-07 cs.LG cs.SI stat.ML
Connectivity-Guided Sparsification of 2-FWL GNNs: Preserving Full Expressivity with Improved Efficiency
针对2-FWL高阶图神经网络计算复杂度高、现有提速方法损失表达能力的问题，提出Co-Sparsify连通性引导稀疏化框架，在保留完整2-FWL表达力的同时削减冗余计算，在多个基准上取得最优性能。
2025-11-16 cs.AI cs.LG
Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow Analysis
Sichuan University（四川大学）；Chongqing Three Gorges University（重庆三峡学院）；Megvii Inc（旷视科技有限公司）；Skill Training Center of Sichuan Electric Power Corporation of State Grid（国家电网四川省电力公司技能培训中心）；State Grid Sichuan Electric Power Research Institute（国网四川省电力公司电力科学研究院）
针对交直流混合系统潮流分析速度需求，提出物理引导图神经网络PG-GNN，通过定制图建模、对偶嵌入物理规律、增广拉格朗日无监督学习及多网络适配多控制模式，性能追平模型基准且计算效率提升超10倍。
2023-04-29 cs.LG cs.SY eess.SY
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
Graph Neural Networks on Graph Databases
University of Oxford（牛津大学）；Neo4j（Neo4j公司）
针对大型数据集上训练图神经网络的挑战，本文提出直接利用图数据库的查询引擎进行采样和最小化内存检索来训练GNN，实验证明该方法在单机和分布式训练中均具资源优势，为扩展GNN和图数据库应用开辟了新途径。
2024-11-18 cs.DB cs.LG
MPBMC: Multi-Property Bounded Model Checking with GNN-guided Clustering
Indian Statistical Institute（印度统计研究所）；IBM Systems（IBM系统公司）；Texas Instruments（德州仪器）
本文提出基于图神经网络的多属性有界模型检查方法，通过功能聚类提升多属性验证效率。
2026-02-26 cs.AI cs.LG cs.LO
A Self-guided Multimodal Approach to Enhancing Graph Representation Learning for Alzheimer's Diseases
George Mason University（乔治梅森大学）；GE Healthcare（GE医疗）；University of Pittsburgh（匹兹堡大学）；University of Maryland（马里兰大学）；Southern University of Science and Technology（南方科技大学）；William and Mary（威廉玛丽学院）
针对现有图神经网络分析阿尔茨海默病脑连接组时缺乏领域知识、依赖人工协作效率低的问题，提出自引导知识注入多模态GNN，自主利用自然语言领域知识引导学习，结合论文与真实AD数据集验证，提升了诊断准确率与可解释性。
2024-12-09 cs.AI cs.LG
A Graph Neural Network--Guided Genetic Algorithm for Physical Internet Supply Chain Optimization under Cost Uncertainty
Louisiana State University（路易斯安那州立大学）
针对成本不确定的物理互联网三级供应链优化问题，构建确定性与最小最大遗憾模型，提出GNN-GA算法，实验显示其在多实例上优于标准GA，学习到的初始化是主要改进来源。
2026-08-12 cs.LG cs.NE
AutoParLLM: GNN-guided Context Generation for Zero-Shot Code Parallelization using LLMs
Iowa State University（爱荷华州立大学）；Intel Labs（英特尔实验室）；DataStax（DataStax公司）；Cisco AI Research（思科人工智能研究部门）
提出 AutoParLLM，用 GNN 引导生成 ICL 上下文，使 LLM 在零样本并行代码生成中显著提升 CodeBERTScore 与实际加速比。
2025-02-19 cs.LG
On Stealing Graph Neural Network Models
Ideas-NCBR
针对现有GNN模型窃取方法依赖大量查询的局限，提出低交互窃取方案，无需直接查询即可获取模型骨干，再用有限查询提取高价值信息，实验证明该攻击在严格查询限制和防御场景下仍有效。
2025-11-13 cs.CR cs.LG
OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes
ColorfulClouds Technology Co., Ltd.（彩云科技有限公司）；School of Systems Science, Beijing Normal University（北京师范大学系统科学学院）；D-ITET, ETH Zurich（苏黎世联邦理工学院动态信息与电气工程系）
研究旨在弥合离散和网格化的PM10预测。核心方法是基于卷积条件神经过程的OmniPM-Net，融合化学传输模型与图神经网络预测。主要贡献是提升预测准确性，降低误差，在高浓度尾部和沙尘事件中有显著改进，还能提供网格化场。
2026-07-15 cs.AI cs.LG physics.ao-ph
Glance for Context: Learning When to Leverage LLMs for Node-Aware GNN-LLM Fusion
Department of Computer Science and Engineering University of Michigan（计算机科学与工程系 密歇根大学）
针对图学习中 GNN 与 LLM 融合策略应用均匀化导致收益微小的问题，提出 GLANCE 框架，通过轻量级路由器基于节点信号自适应决定是否调用 LLM 优化 GNN 预测，在异配节点上实现高达 13% 的性能提升并保持整体最优。
2025-10-12 cs.LG
Attention-Aware GNN-based Input Defense against Multi-Turn LLM Jailbreak
The Chinese University of Hong Kong（香港中文大学）；Noah’s Ark Lab, Huawei（华为诺亚实验室）；City University of Hong Kong（香港城市大学）
本研究提出 G-Guard，一种基于注意力感知图神经网络的输入分类器，通过构建实体图并检索相关单轮查询，有效防御多轮越狱攻击，实验证明其性能优于基线。
2025-10-14 cs.CL cs.LG
GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models
Technical University of Munich（慕尼黑工业大学）
研究针对交通分配问题中GNN模型空间泛化差的问题，提出网络无关初始化层GUIDED，通过在虚拟链路注入需求标量属性标准化输入空间。实验表明其能提升模型性能、鲁棒性及参数效率，减少训练时间，为相关空间问题提供通用蓝图。
2026-07-22 cs.AI cs.LG
Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features
JD Retail（京东零售）
具有缺失节点特征的图神经网络（GNN）最近受到越来越多的关注。这种缺失的节点特征严重损害了现有GNN的性能。最近提出了一些方法来重建丢失的节点特征之间的信息传播与已知和未知属性的节点。虽然这些方法已经取得了优异的性能，如何准确地利用节点之间复杂的数据相关性来重建丢失的节点特征仍然是一个巨大的挑战。为了解决上述问题，我们提出了一种自监督引导超图特征传播（SGHFP）。具体而言，首先根据缺失信息的节点特征生成特征超图。然后，将前一次迭代产生的重构节点特征馈送到两层GNNs以构造伪标签超图。在每次迭代前，将构造的特征超图和伪标签超图进行有效融合，能更好地保持节点间的高阶数据相关性。然后，我们将融合超图应用到特征传播中，以重建丢失的特征。最后，通过多次迭代优化重构的节点特征应用于下游的半监督分类任务。大量的实验表明，所提出的SGHFP优于现有的半监督分类与缺失节点特征的方法。
2023-02-16 cs.LG
Target-Aware Interaction-Guided Reinforcement Learning for Black-Box Node Injection Attacks on Graph Neural Networks
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）
研究针对图神经网络黑盒节点注入攻击问题，提出TIRBA方法，将攻击建模为马尔可夫决策过程，通过设计目标感知交互编码器、引入类中心引导机制和采用拓扑差异感知状态值评估来联合优化节点特征生成与边构建，性能优于现有方法。
2026-07-07 cs.LG
Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks
Technical University of Munich（慕尼黑工业大学）
本文提出GNCE方法，结合知识图谱嵌入和图神经网络准确预测合取查询基数，在估计精度、执行时间和参数量上优于现有方法，并能归纳泛化至未见实体，适用于动态查询场景。
2024-06-03 cs.AI cs.DB cs.LG
CEGA: A Cost-Effective Approach for Graph-Based Model Extraction and Acquisition
Florida State University（佛罗里达州立大学）；Harvard University（哈佛大学）；Columbia University（哥伦比亚大学）
本研究针对批量查询受限、初始节点有限的场景，提出迭代式节点查询策略CEGA，既验证了已部署图神经网络易受模型提取攻击的特性，也为低资源研究场景提供了高效合规的GNN获取方法，性能优于同类基线。
2025-06-21 cs.CR cs.LG stat.ML
Self-Improving Neural-Guided Pruning: A Graph Neural Network Framework for Scalable Mixed Bundle Pricing
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
提出图神经网络引导的剪枝框架，通过将实例编码为客户-产品图并训练边输出GNN学习最优捆绑分配概率，经剪枝生成候选捆绑集，结合局部搜索和自改进过程，实现可扩展的混合捆绑定价，在小实例上恢复98%以上最优利润。
2026-07-13 cs.LG math.OC
GNN-Guided Graph Coarsening and Adaptive QUBO Penalties for the Capacitated Vehicle Routing Problem with Time Windows on a Quantum Annealer
Alamein International University（阿拉曼国际大学）；Jagiellonian University（雅盖隆大学）；Fundacja Quantum AI（量子人工智能基金会）
本研究针对量子退火器上的带时间窗带容量车辆路径问题，提出GNN引导图粗化与自适应QUBO惩罚方法，提升了解的可行性，且在实例规模较大时效果显著。
2026-09-10 cs.LG
Dagger: Decoupling-based Model Stealing Attack against Graph Neural Networks
University of Pittsburgh（匹兹堡大学）；Rutgers University（罗格斯大学）
针对图神经网络模型窃取攻击，提出两阶段解耦攻击框架Dagger，在严格黑盒硬标签和有限查询预算下，通过解耦信息传播与流形混合及类别平衡微调，实现高保真窃取，查询效率显著提升。
2026-09-30 cs.AI cs.CR cs.LG
Learning To Rank Resources with GNN
Binghamton University（宾汉姆顿大学）；Temple University（天普大学）
本文提出基于图神经网络的学习排序方法，利用预训练语言模型和异构图建模查询-资源及资源-资源关系，在资源选择任务上显著超越现有方法。
2023-04-17 cs.IR cs.LG
Neural-Symbolic Models for Logical Queries on Knowledge Graphs
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；HEC Montréal（蒙特利尔高等商学院）；CIFAR AI Chair（加拿大高等研究院人工智能讲席）
在知识图谱上表示复杂的一阶逻辑查询是多跳推理的基本任务。传统的符号方法遍历一个完整的知识图谱来抽取答案，为每一步提供了很好的解释。最近的神经方法学习复杂查询的几何嵌入。这些方法可以推广到不完备的知识图谱，但其推理过程难以解释。在本文中，我们提出了图神经网络查询执行器（GNN-QE），一个神经符号模型，享有两个世界的优势。GNN-QE将复杂的FOL查询分解为模糊集上的关系投影和逻辑运算，这为中间变量提供了可解释性。GNN-QE采用知识图谱完备化的图神经网络进行关系映射，并利用乘积模糊逻辑对逻辑运算进行建模，从而对缺失的链接进行推理。在3个数据集上的实验表明，GNN-QE在回答FOL查询方面比以前最先进的模型有显着改进。同时，GNN-QE可以在没有显式监督的情况下预测答案的数量，并提供中间变量的可视化。
2022-09-06 cs.AI cs.LG
Improving Neural Retrieval with Attribution-Guided Query Rewriting
IRIT, UMR5505 CNRS Université Toulouse Capitole（IRIT，CNRS 5505 机构，图卢兹大学）；IRIT, UMR5505 CNRS UT2J, Université de Toulouse（IRIT，CNRS 5505 机构，图卢兹大学）
本文提出归因引导的查询重写方法，通过标记级解释指导LLM澄清模糊查询，提升神经检索效果。
2026-02-12 cs.AI cs.IR cs.LG
Do Explanations Increase the Risk of Decision Logic Leakage? Explanation-Guided Stealing of Graph Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Xiamen University（厦门大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
研究解释机制可能泄露图神经网络决策逻辑的风险，提出一种结合解释对齐与数据增强的模型窃取框架，实验证明其优于传统方法。
2026-06-02 cs.AI cs.LG
Query-Efficient Adversarial Attack Against Vertical Federated Graph Learning
Institute of Cyberspace Security, the College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院网络空间安全研究所）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；National Key Laboratory of Electromagnetic Space Security（电磁空间安全全国重点实验室）；College of Computer Science and Technology, the Institute of Cyberspace Security, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院网络空间安全研究所）
本文首次针对垂直联邦图学习提出查询高效的混合对抗攻击框架NA2，通过恶意客户端操纵数据并建立影子模型，显著提升集中式攻击成功率，在五个基准上达到最先进性能。
2024-11-05 cs.LG
A Hard Label Black-box Adversarial Attack Against Graph Neural Networks
Tsinghua University（清华大学）；Illinois Institute of Technology（伊利诺伊理工学院）；George Mason University（乔治梅森大学）
图神经网络（GNN）在各种图结构相关任务（例如节点分类和图分类）中已经实现了最先进的性能。然而，GNN容易受到对抗攻击的攻击。现有的工作主要集中在攻击用于节点分类的GNN，然而，针对用于图分类的GNN的攻击还没有得到很好的探索。在这项工作中，我们进行了系统的研究对抗攻击GNNs图分类通过扰动图结构。特别是，我们专注于最具挑战性的攻击，即，硬标签黑盒攻击，攻击者不知道目标GNN模型，只能通过查询目标模型来获得预测标签。为了实现这一目标，我们将我们的攻击描述为一个优化问题，其目标是在保持高攻击成功率的情况下最小化图中需要扰动的边的数量。原来的优化问题是难以解决的，我们放松的优化问题是一个听话的，这是解决与理论收敛保证。我们还设计了一个粗粒度的搜索算法和查询效率的梯度计算算法，以减少对目标GNN模型的查询次数。我们在三个真实世界数据集上的实验结果表明，我们的攻击可以有效地攻击代表性的GNN进行图分类，查询和扰动较少。我们还在两种防御下评估了我们的攻击的有效性：一种是设计良好的对抗图检测器，另一种是目标GNN模型本身配备了防止对抗图生成的防御。我们的实验结果表明，这样的防御是不够有效的，这突出了更先进的防御。
2021-09-27 cs.CR cs.LG
RABot: Reinforcement-Guided Graph Augmentation for Imbalanced and Noisy Social Bot Detection
RABot通过强化学习引导的图增强方法，解决社会机器人检测中的类别不平衡和拓扑噪声问题，提升检测性能。
2026-02-25 cs.LG cs.SI
Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection
Central South University（中南大学）；University of Technology Sydney, Australian Artificial Intelligence Institute（悉尼科技大学，澳大利亚人工智能研究所）
针对图欺诈检测中标签稀疏不平衡和表示稀释问题，提出ADC-GNN框架，结合扩散引导特征增强、对比学习和多跳谱注意力，在1%训练数据下显著提升检测性能。
2026-06-29 cs.AI cs.LG
KG-FGNN: Knowledge-guided GNN Foundation Model for Fertilisation-oriented Soil GHG Flux Prediction
University of Sheffield（谢菲尔德大学）；Harper Adams University（哈珀亚当斯大学）；Mutus Tech Ltd（Mutus Tech有限公司）
针对农业数据稀缺问题，提出知识引导的图神经网络框架，利用过程模型生成多国数据，结合自编码器与多图神经网络，实现高精度施肥导向土壤温室气体通量预测。
2025-06-18 cs.AI cs.LG
Physics-Guided Fair Graph Sampling for Water Temperature Prediction in River Networks
University of Pittsburgh（匹兹堡大学）；University of Maryland（马里兰大学）；U.S. Geological Survey（美国地质调查局）；University of Florida（佛罗里达大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出一种物理引导的公平图采样方法，通过利用物理知识优化GNNs的邻居选择与权重，减少河流水温预测中不同敏感群体间的模型偏差。
2024-12-21 cs.CY cs.LG physics.soc-ph
Expert-guided Clinical Text Augmentation via Query-Based Model Collaboration
本文提出基于查询的模型协作框架，利用专家知识指导文本增强，提升医疗信息保留并减少幻觉，实验显示在临床预测任务中表现优于传统方法。
2026-06-29 cs.LG
An Attention-Guided Graph Neural Network Surrogate for Boundary Integral Computation in Physical Field Reconstruction
The School of Civil and Architectural Engineering, Hainan University（海南大学土木与建筑学院）
本文提出注意力引导图神经网络代理模型结合变分自编码器与注意力机制，构建GNN-BEM框架，用于复杂边界条件下偏微分方程的边界信息恢复及内部物理场快速重构，经数值算例验证其有效性。
2026-10-14 cs.LG
Robust Contrastive Active Learning with Feature-guided Query Strategies
Intel Labs（英特尔实验室）；Intel Corporation（英特尔公司）
我们介绍了监督对比主动学习（SCAL），并提出了有效的查询策略，在主动学习的基础上的特征相似性（featuresim）和主成分分析的特征重建误差（free），以选择信息丰富的数据样本与不同的特征表示。我们证明了我们提出的方法实现了最先进的精度，模型校准和减少采样偏差的主动学习设置平衡和不平衡的数据集上的图像分类任务。我们还评估了模型对主动学习环境中不同查询策略引起的分布偏移的鲁棒性。使用广泛的实验，我们表明，我们提出的方法优于高性能的计算密集型方法的一个大的利润率，导致9.9%的平均腐败错误，7.2%的预期校准误差下的数据集移位和8.9%的AUROC高出分布外检测。
2022-08-14 cs.AI cs.LG
APC-GNN++: An Adaptive Patient-Centric GNN with Context-Aware Attention and Mini-Graph Explainability for Diabetes Classification
Berkani Khaled（伯克尼）
APC-GNN++通过上下文感知注意力和小图可解释性，提高糖尿病分类的准确性和可解释性。
2025-12-20 cs.LG
Rule-Guided Graph Neural Networks for Recommender Systems
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
为了缓解协同过滤推荐系统中的冷启动问题，知识图谱（KGs）作为辅助资源被越来越多的方法所采用。然而，现有的工作结合知识生成不能捕捉显式的长程语义之间的用户和项目，同时考虑项目之间的各种连接。在本文中，我们提出了RGRec，它结合了规则学习和图神经网络（GNNs）的推荐。RGRec首先将项目映射到KG中的相应实体，并将用户添加为新实体。然后，它自动学习规则来建模显式的长程语义，并通过聚合来捕获实体之间的连接，以更好地编码各种信息。我们展示了RGRec在三个真实数据集上的有效性。特别是，规则学习和GNN的组合与仅使用其中任何一种的方法相比实现了实质性的改进。
2020-09-09 cs.IR 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
ATOM: A Framework of Detecting Query-Based Model Extraction Attacks for Graph Neural Networks
University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；Florida State University（佛罗里达州立大学）；Arizona State University（亚利桑那州立大学）
针对图神经网络在GMLaaS平台中易受基于查询的模型提取攻击且现有防御存在不足的问题，提出结合序列建模、强化学习与$k$-核嵌入的ATOM实时检测框架，经实验验证其检测性能更优且稳定性强。
2025-03-20 cs.CR cs.LG
Cardinality Estimation on Hyper-relational Knowledge Graphs
HKUST（香港科技大学）；PolyU（香港理工大学）；HKUST (GZ)（香港科技大学（广州））
针对超关系知识图谱（HKGs）查询基数估计中现有方法未有效利用限定符信息的问题，本研究构建多样无偏查询集，并提出限定符感知GNN模型，其在三个HKGs基准上性能优于现有先进方法。
2025-02-18 cs.LG
Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs
Nanyang Technological University（南洋理工大学）
提出Context Pooling方法，通过查询特定的图池化和邻居逻辑相关性评估，提升GNN在知识图谱链接预测中的性能，在48个设置中42个达到SOTA。
2025-07-10 cs.AI cs.LG
Curriculum Guided Personalized Subgraph Federated Learning
Sungkyunkwan University（首尔国立大学）
本文提出CUFL框架，通过课程学习逐步暴露GNN于易到难的子结构，缓解数据异质性和过拟合问题，提升联邦学习效果。
2025-08-30 cs.AI cs.LG
Efficient and effective training of language and graph neural network models
Amazon Web Services AI（亚马逊云科技人工智能部门）；Amazon Search AI（亚马逊搜索人工智能部门）
我们能否将异构图结构与文本结合起来，学习高质量的语义和行为表示？图神经网络（GNN）对数值节点属性和图结构进行编码，以在各种监督学习任务中实现令人印象深刻的性能。当前的GNN方法受到文本特征的挑战，这些文本特征通常需要在提供给GNN之前被编码为数字向量，这可能会导致一些信息丢失。本文提出了一种高效的语言模型GNN（LM-GNN）框架，用于联合训练大规模语言模型和图神经网络。在我们的框架中的有效性是通过应用逐阶段微调的BERT模型首先与异构图信息，然后与GNN模型。提出了几种系统和设计优化，以实现可扩展和有效的训练。LM-GNN适应节点和边缘分类以及链接预测任务。我们评估了LM-GNN框架在不同数据集上的性能，并展示了所提出方法的有效性。LM-GNN在Amazon查询购买产品应用程序中提供有竞争力的结果。
2022-06-22 cs.CL cs.LG
Enhancing Imbalanced Node Classification via Curriculum-Guided Feature Learning and Three-Stage Attention Network
Griffith University（格里菲斯大学）；Chang’an University（长安大学）
CL3AN-GNN通过三阶段注意力网络和课程引导的特征学习，解决图神经网络中不平衡节点分类问题，提升模型在少数类上的性能。
2026-02-03 cs.AI cs.LG
Graph Neural Networks as an Enabler of Terahertz-based Flow-guided Nanoscale Localization over Highly Erroneous Raw Data
i2Cat Foundation（i2Cat基金会）；NEC Laboratories Europe（欧洲NEC实验室）；ICREA（加泰罗尼亚研究与高级研究所）；Polytechnic University of Catalonia（加泰罗尼亚理工大学）；University of Antwerp（安特卫普大学）
本文针对纳米器件原始数据高度错误问题，提出解析模型刻画能量与通信影响，并引入图神经网络实现血流内流引导纳米级定位，以提升精度和覆盖范围。
2024-07-05 cs.ET cs.LG cs.NI
Meta-Inductive Node Classification across Graphs
Singapore Management University（新加坡管理大学）
图上的半监督节点分类是一个重要的研究问题，在信息检索中有许多实际应用，例如社交网络上的内容分类和电子商务查询图上的查询意图分类。虽然传统的方法在很大程度上是传导性的，但最近的图神经网络（GNN）将节点特征与网络结构相结合，从而实现了可以应用于相同特征空间中的新节点甚至新图的归纳节点分类模型。然而，图间差异仍然存在于同一域内的图之间。因此，仅训练一个全局模型（例如，现有技术的GNN）来处理所有新的图，同时忽略图间差异，可能导致次优性能。本文研究了图上的归纳节点分类问题。与现有的一个模型适合所有的方法不同，我们提出了一种新的元归纳框架，称为MI-GNN，在元学习范式下为每个图定制归纳模型。也就是说，MI-GNN不直接学习归纳模型;它学习如何在新图上训练半监督节点分类模型的一般知识。为了处理图之间的差异，MI-GNN在图和任务级别都采用了双重自适应机制。更具体地说，我们在适应图级差异之前学习图，并且在适应以图为条件的任务级差异之前学习任务。对五个真实世界图集合的广泛实验证明了我们提出的模型的有效性。
2022-03-27 cs.LG cs.SI
Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks
Beihang University（北京航空航天大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Leeds（利兹大学）
图神经网络（GNN）已被广泛用于各种结构化图数据的表示学习。虽然很有前途，但大多数现有的GNN过度简化了图中边的复杂性和多样性，因此无法有效地处理普遍存在的异构图，这些异构图通常是多关系图表示的形式。在本文中，我们提出了RioGNN，一种新的加强，递归和灵活的邻域选择引导的多关系图神经网络架构，导航复杂的神经网络结构，同时保持关系依赖的表示。首先根据实际任务构造一个多关系图，反映节点、边、属性和标签的异构性。为了避免不同类型节点之间的嵌入过度同化，我们采用了一种标签感知的神经相似性度量来确定基于节点属性的最相似邻居。一个增强的关系感知的邻居选择机制，选择最相似的邻居的目标节点在一个关系，然后聚合所有的邻居信息从不同的关系，以获得最终的节点嵌入。特别地，为了提高邻居选择的效率，我们提出了一种新的递归和可扩展的强化学习框架，具有可估计的深度和宽度的不同规模的多关系图。RioGNN可以通过过滤阈值机制识别每个关系的个体重要性，从而学习更多有区别的节点嵌入，增强了可解释性。在真实图数据和实际任务上的综合实验表明，与其他比较GNN模型相比，该模型在有效性、效率和模型可解释性方面都有很大的进步。
2021-10-05 cs.LG cs.SI
