- 从结构化到非结构化：计算机视觉和图模型在解决基于网格的偏微分方程中的比较分析
研究应用计算机视觉和基于图的模型解决高性能计算环境中基于网格的偏微分方程，比较了三种基于计算机视觉的模型和三种基于图的模型在三个数据集上在结构化、分级结构化和非结构化网格上的性能和计算效率，并找出最适合不同网格拓扑的模型，尤其是探索分级网格 - 利用大型语言模型通过历史链推理提升时间知识图预测
基于 LLM 的时态知识图预测模型存在三个缺点，为解决这些问题，我们提出了一种称为 CoH 的历史链推理方法，以实现对高阶历史信息的有效利用，进而增强了基于图模型的 TKG 预测性能。
- 基于图结构学习的分子属性预测
在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达 - AAAI无偏见！个性化推荐的公平联邦图神经网络
确保在推荐系统中跨人口群体的公平性至关重要，本文提出了一种名为 F2PGNN（公平联邦个性化图神经网络）的新框架，通过结合个性化图神经网络和公平考虑来解决不同人口群体之间固有偏见的普遍问题，在保护个人隐私和保持效用的同时，在联邦学习环境中使 - 多意图口语理解的协同引导
提出了一种名为 Co-guiding Net 的新模型，采用两阶段框架实现了两个任务之间的相互引导，并且通过异构图注意网络有效地表示语义节点和标签节点之间的关系，并进一步利用对比学习提高模型性能。
- 基于局部和全局特征的方面情感分类的联合学习
该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。
- 机器人中的图学习：一项调研
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。
- VulnSense：基于图神经网络和语言模型的以太坊智能合约高效漏洞检测
本文介绍了 VulnSense 框架，一种基于图形和自然语言处理模型的多模态学习方法，用于高效地检测以太坊智能合约中的漏洞。该框架通过整合源代码、操作码序列和字节码提取的控制流图等三种智能合约特征，运用 Bidirectional Enco - 集成口罩网络
该研究介绍了两种机制 - 灵活的掩码输入矩阵和独特的网络修剪以尊重掩码的依赖结构，网络可以近似执行固定操作如矩阵 - 向量乘法，该机制对于在基于图的模型中进行文献测试依赖性或交互顺序具有应用价值。
- 交通流预测的反事实图转换器
交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。
- 紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类
我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网 - EPIC：通过可学习的成本实现编辑路径插值的图增强
EPIC 是一种新的插值方法，通过学习可学成本函数的形式来扩充图数据集，借助图编辑距离生成新的类似于原始图但结构有所变化的图，并演示了 EPIC 在多个基准数据集上的有效性，并证明在图分类任务中优于现有的数据增强方法。
- MotifRetro: 通过动态基元编辑探索合成逆反应中的可组合性与一致性权衡
本文提出动态模式编辑框架 MotifRetro，其中 RetroBPE 控制组合一致性的平衡，LG-EGAT 模块动态添加模式到分子中，达到优化组合性和一致性的最佳平衡，最终实验在 USPTO-50K 数据集上达到最优化性能。
- DGEKT：一种双图集成学习方法用于知识追踪
本文提出一种新的双重图集成学习方法 (DGEKT) 用于知识追踪，该方法建立学生成绩的双重图学习结构，以捕获异构的练习 - 概念关联和交互转换，并通过在线知识蒸馏技术进行模型集成，实现更好的建模能力，实验结果表明，DGEKT 的表现优于八个 - AAAI羽毛球运动员下一步将移动到哪里？基于动态图和分层融合的运动预测
本文介绍了一种基于 PM 图和互动风格提取器的动态图和分层融合运动预测模型（DyMF），用于预测运动员的回球类型和动作位置。该模型在运动预测上实证表现优于基于序列和基于图形的方法。
- EMNLPCo-guiding Net：通过异构语义标签图实现多个意图检测和插槽填充之间的互相引导
本文提出了 Co-guiding Net 这一新模型，通过两个异构语义标签图实现两个任务间的相互引导，有效地提高了基于图的多重意图检测和槽填充的性能。
- 结构化代码理解的深度学习模型综述
本综述介绍了编码数据的结构的两种模型，即基于序列和基于图形的模型的概述和比较，并介绍了度量、数据集和下游任务等相关知识。最后，我们对结构代码理解领域的未来研究提出了一些建议。
- 利用时间注意力在网格化简空间中预测物理
本文提出一种基于图的下一步预测模型，采用了一种类 Transformer 的时序关注模型来捕捉长期的依赖关系，利用编码器 - 解码器结构来总结特征和创建系统状态的紧凑网格表示，并在几个复杂的流体力学预测任务中优于竞争性 GNN 基线，可以帮 - EMNLP回归基础：计量分析统计和基于图的术语加权方案对关键词提取的影响
本研究比较了统计和基于图形的术语加权方法，揭示了较少知名的词汇特异性相对于 tf-idf 的优势，以及统计和基于图形方法之间的定性差异，并提出了有关从业人员的建议。
- 神经多跳问题生成的强化 Transformer
该论文探讨了自动化生成问题的新领域：多跳问题生成。通过引入一系列强大的转换器模型，包括使用多文档之间关系增强的图形增强转换器，比简单的 transformer 模型提高了 5 个 BLEU 点，并验证了数据过滤等能极大地提升模型性能。