gnn

提出了一种对偶-原始图变分自编码器架构，将真实标签视为潜在变量，用于聚合嘈杂的众包标签，无需单独的分类器即可在众包基准上取得最先进的结果。

介绍了SNI-GNN，一种SmartNIC辅助的全图GNN训练系统，通过在网络内预测远端嵌入来减少节点间通信，实现了1.3–3.6倍的加速，且精度损失可忽略不计。

一篇计算机科学论文提出了一种基于图的工作流服务引擎，将智能体操作统一到全局 wGraph 中，利用动态图合成和差异 KV 缓存复用，将智能体准确率提升 4.95%，同时将 GPU 内存使用量降低 4 倍。

一个精选的GNN论文、数据集和实现工具集合，托管在GitHub上。

本文提出LLM-GNN协同教学（LLM-GNN Co-Teaching），一种面向文本属性图的小样本图学习的双向框架。LLM和GNN交换高置信度的伪标签，并利用基于轮次的偏好优化（RPL-PO）相互改进，在基准测试上优于先前方法。

本文提出了一种用于分子图变换器的概率对比预训练框架，以改善药物发现中的多任务ADME性质预测，在三个基准上取得了显著提升。

本综述研究了金融AI系统中的计算非确定性，涵盖表格模型、图网络和基于LLM的工作流，并提出了一个用于可审计性的分层评估框架。