- 计算机视觉中的图神经网络 —— 架构、数据集和常见方法
该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如 GAT、GCN 和 GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。
- 深度关注信念传播：融合推理与学习以解决约束优化问题
通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问 - 细胞注意力网络
介绍了细胞注意力网络 (CANs)，它在图的节点上定义数据，将图表示为一个单细胞复合体的 1 - 骨架，以捕捉更高阶的相互作用，并通过 2 种自掩模机制设计更广泛的图注意策略。实验结果表明 CANs 是一种与基于图的学习的最新成果相比，具有 - 面向视觉问答的问题驱动图融合网络
提出了 QD-GFN 方法，利用三个图注意力网络来建立图像中的语义、空间和隐含视觉关系，并引入问题信息指导三个图的聚合过程，采用目标过滤机制消除图像中与问题不相关的对象，实验结果表明 QD-GFN 优于现有最先进的 VQA 模型，新的图聚合 - CVPR手绘式增量学习：通过绘制几幅素描进行分类增量学习
本文提出了一种名为 'Doodle It Yourself' 的基于草图的 few-shot class incremental learning 框架，利用多种模式使模型学习到更多的新概念。实验表明，相比于文本，草图更适合用作支持样本。
- ACL一种新的标记策略用于有效的令牌图建模，用于结构化情感分析
本研究提出了一种基于依存句法分析的情感分析模型，并对其进行了改进，包括采用新的标签策略、图注意力网络和自适应多标签分类器来优化其性能，实验结果表明我们的模型在五个基准数据集上的效果大幅优于之前的最优模型。
- 图注意力回顾
本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。
- 帧移预测
该论文提出了一种基于图注意力网络的辅助训练的方法，可以预测跨语言的帧偏移，并通过注释投影自动创建多语言帧网。
- AAAI分布式约束优化问题的预训练成本模型
该论文提出了一种基于图神经网络的 DCOPs 解决方案，通过预训练的优化标签数据构建出有效的启发式方法，在分布式环境中实现了去中心化的模型推理，并结合局部搜索或回溯搜索算法，在各种测试中都取得了显著的优异表现。
- MM基于图形的深度学习用于通信网络：一项调研
该论文综述了基于不同类型的深度学习模型（如图卷积神经网络和图注意力网络）在通信网络的各种问题中如何建模网络拓扑结构，并列出了每个研究的问题和解决方案的列表，并确定了未来的研究方向。此外，该研究是第一份聚焦于基于图的深度学习方法在涉及有线和无 - ICLR图注意力网络的注意力有多聚焦？
该研究介绍了 Graph Attention Networks (GATs) 架构，它们被认为是最先进的图形表示学习架构之一，但存在限制性静态注意力机制，限制了它们在表达简单图形问题方面的能力；因此，提出了一种动态图形注意力变量 GATv2 - EMNLP知识感知图增强的 GPT-2 用于对话状态跟踪
本文介绍了一种新的混合架构，将 GPT-2 与来自 Graph Attention Networks 的表示相结合，以实现逐步预测插槽值，并捕获跨域的插槽之间的关系和依赖关系，以提高多域会话跟踪的性能。该模型通过图模块捕获插槽之间的相互依赖 - ACL基于 Transformer 与 Graph Attention Networks 的知识图谱对话问答
本文提出一种基于 Transformer 和 Graph Attention Networks 的语义解析多任务模型 LASAGNE，并针对复杂对话式问答任务进行了实验，取得了较高的准确率。
- RAGA: 基于关系感知的图注意力网络用于全局实体对齐
该论文提出了一种新颖的基于关系感知图注意力网络的框架，旨在捕捉实体和关系之间的交互，并通过全局对齐算法生成一个细粒度相似性矩阵，以实现多个知识图之间的实体对齐任务，实验结果表明，该框架的性能超过了现有的最先进方法。
- EMNLP通过语言化和图注意网络强化事实验证程序
本研究提出了 ProgVGAT 框架，结合程序和执行到文本推理模型，通过程序执行的表现和结构、原文陈述和表格等不同证据，来实现基于结构化数据的事实验证，并通过使用基于距离的新训练策略来优化 ProgVGAT 中的程序选择模块，从而提供更精确 - MMConsNet: 学习一致性图以用于零样本人 - 物交互检测
提出了一种基于 ConsNet 的多层次一致性表示的知识感知框架，它在 V-COCO 和 HICO-DET 数据集上优于现有方法，同时利用 Graph Attention Networks 在图形中传播知识。
- 用赌徒采样训练图神经网络
本文提出了一种将采样方差优化视为对手赌博问题，以加速图卷积网络和图注意力网络等图神经网络的训练的方法，并在多个数据集上展示了其有效性和高效性。
- 从图信号去噪的视角理解图神经网络
探索了图神经网络（GNN）如何进行信号去噪，并提出了两种新的模型，GSDN-F 和 GSDN-EF，并且证明了该理论框架以及新模型在基准数据集上的有效性。
- ACL基于图注意力网络的文档建模用于多粒度机器阅读理解
本文提出了一种新的多粒度机器阅读理解框架，利用图注意力网络对文档的不同层次进行建模，以同时学习各个级别的表示，从而提取长答案和短答案并建模其之间的依赖关系，并通过联合训练来显著提高对两种类型答案的准确性。
- MM使用图注意力网络从单细胞数据预测疾病状态
用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态，准确率达 92％，并发现了与预测相关的重要细胞类型和基因。同时，该方法为单细胞数据推断一个新的特征空间，并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入，这