本文介绍一种有效的方法，通过聚合来自最相关的图像区域的上下文感知特征及其在区分细粒度类别中的重要性来捕获细微变化，避免边框和 / 或可见部分注释，并通过自我关注和图形神经网络的最新进展来包括一种简单而有效的关系感知特征变换及其在端到端学习过程中的性能评估。评估了我们的模型，发现其在八个细粒度对象和人类对象交互数据集上的识别准确性显著优于现有技术。

Sep, 2022

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

本文提出了 contextualized non-local neural networks (CN3) 模型，它综合了 self-attention 和 graph neural networks 两种方法的优点，能在一定范围内构建特定任务的句子结构，从而在文本分类、语义匹配和序列标注等 10 个 NLP 任务中表现优异。

Nov, 2018

该研究提出了一种名为 GloRe 的全局推理单元，实现了卷积神经网络对于远距离区域之间的全局关系的建模，能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。

Nov, 2018

本文提出了一种基于 gated relation network 的卷积神经网络模型，用于更好地捕捉词汇间的长期关联以用于命名实体识别，实验结果表明，该模型可以在 CoNLL2003 和 Ontonotes 5.0 数据集上实现最先进的性能。

Jul, 2019

本文提出了一种基于自然语言句子来生成图神经网络参数的方法（GP-GNNs），使 GNN 能够处理非结构化文本输入的关系推理，验证了在文本关系抽取中的有效性，并展示了我们的模型通过多跳关系推理可以发现更准确的关系。

Feb, 2019

本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

Oct, 2020

该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。

Jun, 2019

本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

Jun, 2022