标签
HERALD 引入了一个无梯度图压缩框架，该框架根据测量到的异配性自适应选择节点和特征，在基准数据集上实现了具有竞争力的性能。
本文介绍了一种用于度假租赁推荐的混合候选生成方法，结合了协同过滤和图神经网络，将召回率提高了14.8%。
本文提出了一种多粒度超图表示学习（MGHRL）框架，该框架利用粒球分割自适应地生成多粒度超边，以捕捉图中的高阶关系，在基准数据集上优于基线模型。
本研究评估图神经网络用于将电子航海图中的变化分类为对导航安全的关键或非关键变化，证明了基于图的表示方法能提高分类准确性。
TRACE 是一个用于颗粒动力学的图神经网络模拟器，利用接触边记忆来提高准确性和效率，将长期展开误差降低31–62%，并实现比传统求解器更快的速度。
提出了一种物理信息图注意力网络作为TCAD模拟的代理模型，通过预测网格节点值并融入载流子输运物理，实现更快的设计空间探索。
本综述对从欧几里得数据到图结构数据的协作学习进行了全面研究，旨在整合这一新兴领域并识别开放性挑战。
本文提出了一种图神经网络方法，用于优化基于启发式的比特币地址聚类，发布了一个数据集，并引入了层次聚类以更好地分析可疑合并。
HyGRAIL是一个成本感知框架，结合了GNN分诊与LLM审查，用于在知识图谱上进行科学假设发现，在MatKG基准测试中实现了F1分数的提升和LLM调用次数的减少。
本文提供了一种完备性理论，证明图神经网络中的多层消息传递能够实现对原子间势能的普适近似，从而为机器学习势能中的常见架构实践提供了理论依据。
论文介绍了TPGC，一种用于多任务图预训练的双先验提示初始化方法，该方法结合任务和结构先验以提高对齐性和可迁移性，在小样本场景中实现了优越的性能。
本文介绍了一个图神经回归框架，用于无创估计体成分指标，如体脂率和骨矿物质密度，使用临床数据展示了相比以往方法更高的准确性。
本文提出了CallosumNet，一种受生物学启发的框架，用于在时空图中实现高效遗忘学习，以符合GDPR等隐私法规，实现完全遗忘且准确率损失最小。
IsleNet引入了一种基于空间熵的分区方法用于时空图遗忘，能够在满足隐私法规的同时，以低计算成本实现精确数据删除并保持高精度。
本文介绍了保守混合图网络（CHGN），这是一种用于建模动态过程系统的方法，无需重新训练即可外推到未见过的更大图，并改进工业应用中的故障预测。
本文介绍了等变层神经网络（ESNN），它通过在图上学习有向几何传输，来增强物理系统的等变消息传递，同时保持精确的欧几里得对称性。
本文提出了Graph-CMMC，一种基于图的伪多模态对比学习框架，用于12导联心电图表示。该框架有效建模导联间依赖关系，在心脏病分类中取得了具有竞争力的性能。
本文提出FairGIN，一种公平性感知的图神经网络，用于扩展共享单车系统中的需求预测，解决冷启动扩展和空间不平等问题，以促进公平的低碳出行。
本文提出了公平图神经网络的子图过滤（SF-GNN）框架，该框架通过过滤边来减轻图神经网络中的结构偏差，以改善公平性-准确性权衡。
本文介绍了关系过度正则化（ROR）作为检测AI生成文本的结构信号，并提出了跨源风格指纹图（CSFG）框架，通过基于图的方法利用这一信号，实现了高精度的检测。