粒子物理中的图神经网络
高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。
Feb, 2024
使用几何深度学习和图注意力层，本研究在费曼图上实现了准确且快速的基元矩阵预测，证明该方法在量子场论分析中具有潜在应用，可构建代表非微扰计算的有效粒子费曼图，为量子场论的研究提供了突破。
Nov, 2022
本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。
Mar, 2023
本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。
Jan, 2023
通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。
Jul, 2023
通过在图结构数据中学习，物理启发图神经网络在解决常见图神经网络挑战（如平滑过度、压缩过度和异质适应）方面取得了显著的性能。本文通过在传播过程中引入额外的节点和重新连接具有正负权重的连接来丰富图结构，在理论上验证了通过我们的方法增强的图神经网络可以有效地解决平滑过度问题，并对压缩过度具有鲁棒性。此外，我们对重连后的图进行谱分析，证明相应的图神经网络可以适应同质化和异质化的图。在同质化、异质化图以及长期图数据集的基准验证中，我们通过我们的方法增强的图神经网络显著优于原始版本。
Jan, 2024
在这篇论文中，通过对图神经结构进行综述，从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例，以期为读者提供深入的了解，并为未来的研究指明可能的方向。
Oct, 2023
本研究综述了基于图形神经网络在自然语言处理中的应用，并提出了一个新的分类（基于图构建、图表示学习和基于图的编码器 - 解码器模型），同时介绍了许多利用 GNN 的 NLP 应用程序，并总结了相应的基准数据集、评估指标和开源代码；最后，讨论了利用 GNN 进行 NLP 的各种未解决问题以及未来的研究方向。
Jun, 2021