标签
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。
本文提出了MPP-GNN，一种元概率池化图神经网络，能够自适应地发现受试者特定的脑模块，用于基于fMRI的阿尔茨海默病分类，在两个公开数据集上取得了最先进的AUC，并与规范的脑网络组织保持一致。
THGFM 是一种双分支时序异构图融合模型，结合了共享空间注意力、关系类型分区注意力与旋转时序注意力，在学术图基准测试上优于基线模型。
本文介绍了PLATO，一种基于指针网络的智能体与基于图神经网络的评论家相结合的多智能体强化学习方法，能在无需重新训练的情况下处理智能体和任务的开放性，并在野火扑灭领域进行了评估。
OrbitAll是一种分子基础模型，利用基于物理的轨道特征和SE(3)-等变图神经网络来预测分子性质，以少35倍的训练数据和50倍小的模型大小超越了像UMA这样的大型模型。
本文提出一种基于图的交通信号控制接口，使用共享图神经网络为各个交通流向分配分数，并通过关联矩阵确定性地构造相位。实验评估了在合成和城市道路网络上的迁移效果，结果表明可行性，但对分布偏移敏感。
HypNO介绍了一种基于图的神经算子，该算子利用物理信息消息传递，在时空有限体积单元图上求解标量双曲守恒律，能够准确捕捉激波和不连续性。该方法在LWR和ARZ交通流模型上进行了基准测试。