标签
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。
本文提出了一种用于一维装箱问题的基于图的深度强化学习框架，与现有方法相比减少了最优性差距，并实现了跨实例规模的零样本泛化。
本文介绍了Kronecker协方差神经网络（KVNNs），这是一种时序图神经网络，通过Kronecker积解耦空间和时间依赖性，以改进时空数据分析，解决了像ST-PCA这样的传统方法的局限性。
本文提出一种 Dual-GNN 多层次粗化框架，通过结合图神经网络与组合搜索来高效解决最大独立集问题，在基准图上实现近最优解并显著加速。
本文提出 MFP，一种使用角色感知 Morgan fingerprints 预测化学反应产率的方法，与现有方法如 YieldBERT 和 GNAN 相比，实现了高准确度和更快的训练。
本文提出了UGCAD，一个使用变分图自编码器和聚类来检测物联网网络流量中集体异常的无监督框架，基准数据集上的实验展示了其有效性。
本文提出了TARGet，一种利用图神经网络进行射频电路功能建模的拓扑感知融合方法。与现有先进方法相比，该方法展示了更高的预测准确性和数据效率。
本文介绍了M2G-LLM，这是一个通过图神经网络使用多模态图推理来增强大语言模型的框架，旨在利用电子健康记录改进临床预测任务。
MetaRTL 是一个两阶段的关系表学习框架，通过元路径注意力高效捕获关系语义，并在多个数据集上表现出色。
本文研究物理感知代理模型在交流最优功率流（ACOPF）中的缩放定律，证明了物理信息训练目标在规模上改善约束满足，并具有与标准损失函数不同的缩放率。
本文提出了一种基于位置编码的可变形空间聚合模块（PEBDSAM），以解决图神经网络中常见的过平滑和过压缩问题，并引入了一个简化版本PEBSAM，在同质图和异质图上展示了改进的性能。
本文提出了一种用于解决最小支配集问题的无监督图神经网络框架，显著提高了速度并实现了在社交网络影响力最大化中的泛化能力。
本文提出了一种用于图神经网络的变分贝叶斯最后层方法，以在分布偏移下进行在线节点分类，与基线相比，在准确性和不确定性校准方面表现优异。
该论文介绍了一种多智能体代理图学习框架（MAAGL），该框架将图划分为社区，并使用结构签名来改进图推理任务，性能优于最先进的方法。
本文提出将输入图具体化为固定词汇表，使标准GNNs能够跨未见过的知识图谱和关系数据库实现零样本链接预测，匹敌像ULTRA这样的专用基础模型。