标签
介绍 Newmark-β-DGN，一个图神经网络框架，它从粗步长运动观测推断内部机械响应，实现无需直接监督的长期力预测与分析。
本文提出了一种图神经网络方法，用于从三维结构预测跨膜蛋白拓扑结构，通过利用AlphaFold的原子级嵌入，在无需预训练权重的情况下展示了有希望的结果。
SMILESGNN引入了一种多模态架构，该架构结合了SMILES转换器和图神经网络，并采用交叉注意力机制，用于可解释的药物毒性预测。它在ClinTox和Tox21等基准测试上以最少的参数取得了有竞争力的性能。
本文提出了一种Multi-Term Fourier Graph Neural Network with Sample Relationship Learning（MTFGN-SRL）模型，通过频域分析和样本间关系学习来增强剩余使用寿命预测，以解决当前时空图神经网络的局限性。
EnSol是一种环境感知图神经网络，它通过将溶质和溶剂表示为图，并使用交叉注意力来建模相互作用，同时利用概率输出来捕捉温度效应和实验不确定性，从而预测分子溶解度。该模型在基准数据集上取得了最先进的性能，并经过实验验证。
HERMES 是一个基于图的框架，它通过LLM引导的提取和对比逻辑建模，从临床笔记构建个性化知识图谱，并应用图注意力网络以改善患者预后预测，在MIMIC数据集上性能优于仅文本基线。
本文提出了一种数据驱动框架，利用 Graph Neural Networks 通过预测候选移动的质量来增强 Tabu Search，提高战术无线网络设计问题的效率。
本文发布了一个开放的十一结构心脏CT统计形状模型，并比较了形状补全方法，证明了闭式条件高斯估计器优于像变分自编码器这样的深度学习方法。
本文提出GraphGAN，一种基于图的生成对抗网络，用于下一代网络中的自适应DDoS攻击检测，解决了类别不平衡问题，并在基准数据集上取得了优越的性能。
本文介绍了BDIP-Net，这是一个通过明确建模层内和层间相互作用来预测双层材料性质的图神经网络，并提出了一个使用MatterSim-D3进行高效结构优化的框架。
BengaliMCQ是一个结构感知的RAG框架，利用图神经网络建模孟加拉语文本教材的层次化文档结构，实现学术多项选择题的自动化生成与答案预测，并在性能上优于基线方法。
本文提出结构引导的时空注意力图神经网络（SGSAN），通过显式建模结构依赖关系来改进交通流预测，以获得更好的可解释性和最先进的准确性。
HI-MGN 引入层次多尺度图神经网络，旨在改进基于网格的物理模拟中的长程通信，在提升准确性的同时，与现有方法相比减少训练时间和内存使用。
本文介绍了MR-MoL，一种多粒度理由引导的分子大语言模型，它通过暴露GNN生成的子结构归因信息，在MoleculeNet基准上改进分子性质预测。
UniProbe是一个轻量级检测器，它使用基于图的多结构内部表示来识别大型视觉语言模型中的幻觉令牌，将物体幻觉减少高达55%，同时延迟增加最小。
本文介绍了MTI-GNN，一种多视角三元交互图神经网络，对贝克的认知三元组进行建模以进行认知扭曲检测，在多个多语言数据集上优于有监督基线和提示式大语言模型。
本文介绍了EvtGraph，一个高效的多模态时序图学习框架，在预算约束下将序列压缩为事件级令牌，在临床和跨领域基准上展示了相较于Transformer和循环基线更好的性能与效率。
本文提出了一种用于边缘计算中流量预测的时空图Transformer框架，结合图神经网络捕捉空间相关性，以及Transformer自注意力捕捉长程时间依赖。在真实蜂窝数据上的实验表明，它优于基于循环图的基线模型，如GCN-LSTM和GCN-GRU。
本文介绍了SynEnergy，一个两阶段基于扩散的框架，通过基于异构图的异常语义学习和异常语义引导扩散，在生成合成能源消耗数据的同时保留稀有异常事件。
介绍了CT-HEG，一种用于ICU死亡预测的连续时间异质EHR图模式，通过消融研究表明双向连接和时间注意力边特征很重要；令人惊讶的是，在MIMIC-IV队列上，简化的同质图优于完整的异质模型。