图形学习的理论基础、突破和挑战以及可能的解决方案的综合概述。

Jul, 2024

本文提出了一种新颖的多任务图神经网络（GNN），能够同时检测道路区域和道路边界；这两个任务之间的相互作用从两个角度提供了卓越的性能:（1）层次化检测的道路边界使网络能够捕获并编码整体道路结构以增强道路连通性（2）识别语义土地覆盖区域的内在相关性缓解了识别外观相似区域中充满道路的困难。实验结果表明，与现有方法相比，所提出的架构可以提高道路边界勾画和道路提取的准确性。

Jul, 2024

该论文提出了一种名为全局交互模式学习 (Global Interactive Pattern learning) 的新颖内在可解释方案，它通过引入可学习的全局交互模式来明确解释决策，在图分类任务上具有显著的解释性和竞争性的性能。

Jul, 2024

该论文提出了一种针对图数据在图神经网络（GNN）中的新型激活函数。通过引入 DiGRAF（基于连续分段仿射变换的图自适应的可微分激活函数），结合额外的 GNN 以端到端的方式学习图自适应的微分同胚激活函数，实现激活函数的图自适应性和灵活性。通过在多个数据集和任务上进行广泛的实验，证明了 DiGRAF 与传统和图特定激活函数相比具有一致且卓越的性能，凸显其作为 GNN 的激活函数的效果。

Jul, 2024

通过引入图指针神经网络作为异质节点检测器，将一部分异常节点的邻居转化为异常节点，并将这些转化后的邻居与原始异常节点进行邻域聚合，从而提高异常节点的区分度和检测性能。

Jul, 2024

本文通过对六种粗化方法和六种稀疏化方法的综合鲁棒性分析，研究了图结构规模的 GN 任务中图规约方法在最新的后门攻击下的鲁棒性，结果表明鲁棒性因方法而异，一些方法甚至加剧了攻击，因此要确保图规约方法的计算效率提升不会危及 GN 系统的安全性。

Jul, 2024

PointViG 是一种高效的点云分析框架，使用轻量级图卷积模块提高局部特征聚合效果并减轻过度平滑问题，在大规模点云场景中采用自适应扩张图卷积技术提高计算效率，并且在性能和复杂度方面达到与先进模型相当的表现。

Jul, 2024

研究论文提出了 GAT-Steiner，一种基于图注意力网络模型，能够高准确率地预测 ISPD19 基准测试中 99.846% 的网段，并在次优网长中仅产生 0.480% 的平均增加。在随机生成的基准测试中，GAT-Steiner 在 99.942% 的网段中高准确率地预测，并且在次优网长中仅产生 0.420% 的平均增加。

Jul, 2024

传统图神经网络在处理有向图时存在某些局限，为了填补这一空白，引入了通勤图神经网络（CGNN），它将节点之间的通勤时间无缝集成到信息传递机制中，通过计算新形式的有向图拉普拉斯矩阵并进一步将通勤时间信息整合到邻居聚合过程中，准确捕捉了有向图中的相互异质关系。

Jun, 2024

提出了第一个能够处理图样式数据的图神经网络（GIG Network），其中包含 GIG 样本，每个 GIG 顶点都包含一个图；此网络通过内部信息和顶点间的关系，利用图中的内部线索和顶点间的关系来下游任务，并在各类图分析任务和多图数据分析中取得了最新的性能结果。

Jun, 2024