标签
本文提出了一个使用图神经网络从凯莱图学习代数性质的通用框架，为利用GNN进行代数推理提供了新方法。
本文提出Clue2Group，一种在金融网络中基于线索引导的洗钱团伙发现框架，利用图神经网络从初始线索逐步发现犯罪团伙。
一个精选的GNN论文、数据集和实现工具集合，托管在GitHub上。
本文提出了一种基于混淆矩阵的图构建方法和一种用于图神经网络的混合损失函数，以提高多站点污染预测的准确性和可解释性，并在真实世界空气污染数据上进行了评估。
提出了DCQ-GNN，一种谱图神经网络，它使用一组紧凑的自适应凸-凹二次滤波器来提高谱选择性，而无需高阶多项式，在同质性和异质性图上均取得了有竞争力的结果。
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。