#图神经网络

共 9 篇相关文章

研究人员系统评估PPI蛋白质相互作用网络上的超参数优化HPO策略，分析如何在大规模图数据深度学习中平衡训练时间与预测精度，降低算力开销。

LENS框架将关系可靠性作为一等信号引入股票预测：静态侧用LLM多轮抽取加置信度加权过滤噪声边，动态侧用新闻语义图加指数衰减捕捉市场变化，门控融合逐股逐日平衡两图。在S&P 500上AR@5提升16.4%，SR@5提升22.6%。

OmniST 提出拓扑不变的时空预测框架，计算过程不依赖传感器数量，结合归纳式共形校准在未见站点提供覆盖保证的预测区间，并修复静态共形的时间漂移问题。

论文提出损伤感知异构图神经网络框架，将CSI误差与杂波协方差作为边特征，实现无蜂窝MIMO ISAC系统的鲁棒波束成形，单一模型可达基线约97%速率并泛化至未见损伤水平。

GAS-PFN将道路拓扑通过随机游走扩散融入PFN合成先验，配合双通道掩码推理架构，在六个基准上实现零样本交通预测，MSE较TimePFN平均降低34.0%，较通用零样本预测器降低27.7%。

用学生成绩预测的实例讲解图神经网络（GNN）的核心原理：从单层GNN引入邻居信息、随机边基线对照，到两层GNN实现两跳信息传播，并说明层数选择、训练验证的特殊性及嵌入、学习小组推荐等实际应用。

SCARCE框架提出无标签图泛化新方法，通过两阶段训练（变分图自编码器重建与对抗环境混淆）实现隐式特征重加权，在合成数据和DrugOOD上取得无标签方法中最优OOD泛化性能，理论证明环境混淆等价于方向性惩罚。

RAFT框架通过冗余感知输入过滤，平均减少35.23%训练输入，训练时间最多降低52.56%，精度几乎无损，为时序图神经网络训练加速提供新方案。

一篇 arXiv 新论文提出使用图神经网络 SchNet 从蛋白质三维结构预测跨膜蛋白拓扑，采用全原子级别嵌入替代传统序列特征，在与 DeepTMHMM 相同数据集上验证了 GNN 在拓扑预测中的潜力。