标签
本文提出了一种深度学习的方法，使用时空图神经网络（MTGNN）重建南美洲自1940年以来的GRACE陆地水储量异常，实现了高精度，并且用更少的预测因子优于以往的方法。
本文介绍了FedEPD，一个用于长尾数据分布下联邦图学习的框架。它采用能量引导的双解耦方法，将拓扑纯化与语义重校准分离，在基准测试中实现了最先进的性能，准确率提升高达4.97%。
ModTGCN是一种模块化感知的图神经网络，通过联合优化交叉熵和基于模块化的辅助目标，利用文档图中的全局社区结构来改进文本分类，在五个基准测试上实现了持续的增益。
MOLAR提出了一种噪声感知框架，通过将干净属性推理与观测到的标签噪声分离，从噪声标签中学习多模态分子表征，在分子基准测试中优于基线方法。
本文提出一种K跳高斯（KHG）扩散核，作为图神经网络的预处理模块，平衡局部和全局信息传播，以缓解过度平滑和信息瓶颈问题。实验表明，相比传统的消息传递图神经网络和现有扩散核，该方法在噪声或结构复杂的图上取得了显著改进。
Artemis 提出了一种区域级因果框架，通过学习区域特异性混杂变量表示，消除多模态神经影像中的统计学混杂因素，从而提升图神经网络在疾病诊断和分类任务上的性能。
本文建立了一个语义框架，将图神经网络分类器与分级模态逻辑的片段联系起来，表明在嵌入、同态等结构属性下的保持对应于特定的逻辑片段。它提供了独立于架构选择的刻画，并展示了每类分类器都存在一个具有相同表达力的GNN架构。
本文提出了一种芬斯勒图神经网络，该网络在点云上估计芬斯勒拉普拉斯算子，证明了收敛性，并展示了其在通过热扩散恢复芬斯勒度量方面的应用。
本文比较了19种图神经网络层类型在驾驶轨迹预测中的交互建模能力，发现ARMA、Chebyshev和拓扑感知层最为有效，并提出了改进预测模型的设计原则。
本文通过实验测试了配备GNN工具的LLM代理是行使判断力还是盲目服从工具，发现代理在97.6%–99.2%的情况下与GNN保持一致，且更强的骨干模型服从得更彻底。这种服从的代价并不会随能力提升而减少，选择性调用仍然是一个开放问题。
提出CoMAG，一个用于多模态属性图的统一骨干网络，它学习任务自适应可靠上下文并执行模态保持对齐，在图级预测、模态匹配和图条件生成上达到最先进结果。
本文提出RicciBind，一种集成里奇曲率和最优传输的几何表示框架，用于蛋白质-配体结合亲和力预测，在多个基准测试中展示了卓越的准确性和可解释性。
本文发现，在基于LayerNorm的GNN中，正的逐节点标量（如节点度数）如果放在LayerNorm之前会被消除，但放在LayerNorm之后则得以保留。作者提出PostDeg，一种无需参数的层归一化后逆度数缩放方法，在影响力最大化、网络瓦解和最大独立集任务上取得了显著提升。
介绍SpikF-GO，一种用于多变量时间序列预测的脉冲神经网络模型，该模型结合了基于图的变量间依赖建模与脉冲驱动的频谱处理，在SNN方法中实现了最先进的结果，同时降低了能耗。
TacticAI 使用图神经网络将球员表示为节点，将他们的交互表示为连接，使数据科学家可以通过实时拖放球员来测试防守阵型。
介绍了GraphInfer-Bench，这是一个基准测试，用于评估LLMs是否能够进行图推理——生成关于节点及其邻域的开放式答案，这些答案无法从单个节点或路径中检索到。实验表明，即使是最前沿的LLMs在这些任务上也落后于普通GNNs，揭示了一个能力差距。
提出一种拓扑框架，通过将随机块模型嵌入映射到n维球面上，实现对训练后的图神经网络的比较，从而无需重新训练即可进行可视化检查和迁移学习候选检索。
本文提出了一种频谱图强化学习框架，用于自愈智能电网的故障检测和电力恢复，在IEEE测试系统上实现了接近最优的实时性能。
GiFlow 是一个用于时空插补的图信息流匹配框架，它用图信息先验取代高斯先验，并使用结合了空间注意力、时间注意力和时空传播的混合向量场模型。在合成数据集和真实世界数据集上均优于现有最先进方法。