标签
该论文研究在图数据库中直接进行图神经网络的训练与推理，展示使用Cypher执行采样、特征检索和完整前向传播的可行性，优化后训练速度提升约2.5倍，推理速度比冷加载图到内存快10倍以上。
该论文提出一个群体级别的尺寸一致逼近框架，证明带连续随机特征的 MPNN 在跨图尺寸时并非通用，并分析了随机着色 MPNN 与高阶 Weisfeiler-Leman 方法之间的不可比较性。
EDiS 提出一个边缘不相交子图稀疏化框架，将一次性结构提取与逐轮图组合分离，从而在降低 GNN 稀疏化训练开销的同时保持拓扑多样性，并在 19 个基准上取得最佳平均成绩。
本文提出 HCPN-GCN，通过用图卷积网络替换线性特征提取器并引入锥形原型与多样性正则化，将分层原型网络扩展到持续图学习场景，在六个基准上以约 30 倍更少的原子原型实现更高准确率和接近零的遗忘。
提出GenST框架，利用微调后的大语言模型从节点描述中提取语义特征，结合时空VAE与生成式Transformer（GenT），在零样本条件下预测传感器网络中未观测节点的未来状态，显著优于现有基线。
论文提出了FedCORE，一种联邦自适应框架，通过共享的低维潜在状态将多模态编码器的感知与图神经网络的推理进行联合耦合，在去中心化多模态图上将编码器与GNN之间的配对差距降低了80.7%。
论文提出了自回归边界扩展（Autoregressive Frontier Expansion）这一生成框架，通过迭代方式生长树状分支结构：在每个边界步骤中，由 SO(2) 等变图神经网络参数化的流匹配模型来决定是分叉还是终止。该方法在皮层神经元和植物树木形态生成任务上进行了评估，涵盖无条件生成、类别条件生成和形态引导生成三种设定，结果与参考分布高度吻合。
RetroGEF 是一个基于流的生成模型，用于单步逆合成。它在一个统一的流程中同时建模分子变换与可变的图规模，在标准逆合成基准测试上取得了当前最优结果。该模型直接从产物-反应物对构建反应物图，无需固定的图画布或预设的编辑顺序。
一本 326 页的资源，宣传图书《Graph Neural Networks for Molecular Discovery with Python》，涵盖分子图表示、几何深度学习、性质预测、分子生成，以及药物和化学发现领域中的实际 Python 实现，并附有免费 PDF 链接。
本文研究利用图神经网络编码器，将传感器网络和雷达产生的异构采样信号集合映射到固定维度、采样不变的嵌入空间，并通过在合成复值射频信号上进行波形判别来进行评估。
AdaST 提出了一种自适应时空预测框架，利用异构感知专家将输入分解为具有不同耦合机制的组成部分，再通过一个考虑相关性的模块进行重组，从而在交通、气候和能源预测任务上超越了最先进的基线方法。
本文对基于图神经网络的道路级交通事故预测方法进行审计，复现了一个近期的不确定性感知模型，覆盖伦敦三个行政区，发现其中报告的大多数设计效应无法复现，甚至符号反转。作者证明，一个无需训练参数、仅按历史事故次数对路段排序的简单基线，在预测时长与回溯窗口相匹配的设置下即可匹敌甚至超越GNN模型。据此，作者认为已报告的性能增益很大程度上是使用短时程基线所导致的假象，并呼吁研究者采用时程匹配的基线以及多随机种子的结果报告。
本文对平流感知图临近预报在分布式太阳能爬坡预测中的应用进行了控制性研究，发现准确的云运动特征与图结构同样重要，并引入了一种自监督估计器以减少预测误差。
本文介绍了SheafDEQ，一种亚齐次深度平衡架构，具有自适应神经层传播，确保隐式图神经网络中的唯一平衡和收敛，提高分布式推理和社区检测任务上的性能。
本文表明，在 delta-learning 中，仅残差缩放不足以实现可学习性，并引入了诊断指标和目标设计原则，以提升科学机器学习的泛化性能。
本文介绍了一种通过精确质量线性规划和事后修复分离错误原因，从而修复训练过的Graph Neural Networks中的读出的方法，并通过重新加权和集合条件翻译实现准确性提升。
本文介绍了TopoSIGN，一个针对符号图的拓扑引导的图预训练和提示学习框架，它结合了结构编码和持久同调，以改善链路预测和节点分类等任务中的迁移学习。
DefaultGNN是一个利用买卖方交易网络预测企业违约的双视角图神经网络框架，在基准模型上取得了改进，并通过真实世界数据进行了验证。