图神经网络

对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效

AlphaFold2通过引入注意力机制（Evoformer模块）和等变神经网络将蛋白质单体结构预测精度提升到接近实验级别

图神经网络（GNN）把图的拓扑结构与特征向量的线性变换绑定在一起

卷积神经网络（CNN）和Transformer架构已被用于大脑皮层的自动分区

在GNN的删除保真度评估中，「删除一条边」存在两种语义不同的干预：结构删除（将边从图结构中移除并重新计算度归一化、注意力系数等依赖结构的量）和消息抑制（保留结构上下文但阻断该边传递的消息）。

传统图神经网络（GNN）方法将静态先验与动态关系图结合，并默认每条提取出的边都是同等可信的事实。

异构图神经网络是图神经网络的一个变体，其图中包含多种类型的节点和边，且不同类型的节点和边具有不同的特征空间与语义关系。

消息传递机制是图神经网络的核心计算范式，节点通过聚合邻居消息更新自身表示，计算复杂度与边数线性相关。

监督式图神经网络在交通预测任务上表现出色，但往往针对特定数据集和传感器图训练，部署到新路网或动态变化的网络时成本高昂。

与传统的图神经网络逐点消息传递相比，Transolver能更高效地捕捉大尺度几何上的长程依赖，同时保持对网格分辨率的鲁棒性

GNN在电力负荷预测中同时执行跨序列参数共享和读取邻居序列两项功能，模型相对非图模型的提升可能主要来自参数共享而非邻居读取。

粒子物理传统重建依赖卡尔曼滤波、组合优化等算法，计算量极大；近年来图神经网络与Transformer被用于径迹寻找和粒子流重建。

拓扑敏感模型指在输入特征中显式编码图结构信息（如邻接矩阵、节点度、图拉普拉斯特征值）的机器学习模型。

在MARL中，通常将每个智能体视为节点，将可观测的交互关系视为边，用GNN在每一时间步聚合邻居信息以生成各智能体的策略输入。

GNN的局限在于，图结构往往由启发式规则给定，若真实交互关系不可观测，GNN只能隐式推断，其效果依赖于交互图估计的准确性。

图神经网络的消息传递机制天然编码了不确定性如何沿物理网络传播。

传统机器学习势函数和图神经网络通常针对特定任务训练，泛化能力有限，且对训练分布之外的结构外推能力有限。

图神经网络（GNN）将晶体结构视为图，通过消息传递聚合邻居信息来预测形成能、带隙、弹性模量等性质，典型模型有CGCNN、SchNet、MEGNet和ALIGNN。

在图神经网络的类别增量图学习场景下，新类别陆续到来时模型会出现灾难性遗忘，且预测结果常被最近学到的类别主导，产生近因偏差。

分子表示方法中，SMILES 字符串紧凑、可直接套用语言模型，但不唯一、对细微结构变化不敏感；分子指纹（如 ECFP/Morgan 指纹）适合相似性搜索和传统机器学习，但丢失拓扑细节；图神经网络把原子当节点、化学键当边，是当前分子性质预测和生成的主流方案。