- 灵活性：利用明确的归纳图基学习预测蜂窝流量
从电信角度看，用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察，并建议最优分配策略。最近，使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而，现有的研究借 - 使用图神经网络解决树包含问题
通过使用图神经网络，我们提出了一种解决树包含问题的算法，能够在训练数据集之外的具有更多物种的实例上展示出超过 95% 的准确率。
- 草图 - 计划 - 泛化：语言引导机器人操作中归纳通用化空间概念的持续少样本学习
构建具有物理表征特性的神经符号方法，以逐渐学习概括性空间概念，用于创造塔的高度等任务，并在连续学习中实现在新概念上的归纳推理能力超越现有基准线。
- 基于变分图自编码器的归纳学习方法用于半监督分类
提出了自标签增强的 VGAE 模型，包括自标签增强方法（SLAM），用于图的归纳学习，通过在模型训练中进行标签重建以利用标签信息，并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下，我们的模型在节点分类上表现出明显的优势 - LLMs 是否能够推理计算？
利用分布式网络的 “归纳学习” 方法可以提高小型语言模型的推理能力，从而弥补其依赖统计模式容易产生错误答案的局限性，并可能使其逼近高参数模型在逻辑应用上所取得的水平，从而弥合人类和大型语言模型在各个领域之间的逻辑差距。
- 预测动态图的结构
本文介绍了一种基于时序方法和通量平衡分析的方法，用于预测未来时间点的图结构，并在合成和实际数据集上验证了其效用和适用性。
- 超越传统：知识图谱中归纳、少样本和零样本链接预测调查
知识图谱在不同语义含义的实体之间建立联系。针对知识图谱中丢失的实体信息，研究主要集中在链接预测。本文对现有工作进行系统性回顾，发现了术语和任务定义的多样性，限制了最新工作之间的比较。因此，本文旨在深入剖析每个设置并提出统一的命名方式。
- 基于特征表示的顺序注意力源识别
提出了一种基于序列到序列的方法 TGASI，采用归纳学习思想以区分不同时间戳中不同预测源的重要性，并通过设计的时间注意机制来提高在不同场景下源定位的准确性和可扩展性。
- 归纳学习获取物体拓扑特征
采用归纳学习的方法，提出了基于对象骨架的拓扑结构的形式化表示，并实现了 “寻求共同点” 的归纳过程，从经验主义推进到合理主义的目标。
- 通过图学习的归纳探测影响操作
本文提出了一种基于归纳学习的方法识别操纵操作，并借助该方法检测来自俄罗斯、中国和伊朗的操作，在跨操作普适性和检测范围方面取得了良好的效果。
- 用归纳图神经网络进行移动目标分割
本研究提出一种基于图神经网络的算法，名为 Graph Inductive Moving Object Segmentation (GraphIMOS), 解决了电脑视觉中的运动对象分割问题。算法可以在新添加的数据帧上执行预测，并在真实世界应 - 基于词汇的图卷积网络
提出了一种基于词图的图卷积神经网络模型，能够以归纳的方式完成对于预定义图之外的文档的分类任务，该模型利用词共现信息形成词图，同时融入了文献引用关系的全局语义依赖信息，通过实验验证，该模型在分类任务中表现出良好的性能和高效率。
- INCREASE: 基于感应的空间时间克里金图表示学习
本文提出了一种基于图表示学习的时空克里金模型，通过编码不同观察位置间的空间相似性、功能相似性和转移概率，结合门控循环神经网络和多种关系注意机制，从多个时间步骤中动态融合不同关系的时空信息，成功解决了基于异质空间关系的时空克里金问题。
- PubGraph: 一个大规模的科学时间知识图谱
本文介绍了 PubGraph，一种大规模的时间知识图谱资源，可用于研究科学进展，并使用三个知识图来提供不同尺度的实验，介绍了新的链接预测基准和两种新的归纳式学习方法，它们更适合 PubGraph，能够在没有明确特征的未见节点上操作，比现有模 - AAAI不断嵌入学习和迁移，用于不断增长的知识图谱
本研究提出了一个新型知识图谱嵌入模型，实现快速学习和传输新的知识。通过使用掩码知识图自编码器进行嵌入学习和更新，并采用嵌入传输策略和嵌入规则化方法，避免灾难性遗忘。实验证明，该模型在生命周期嵌入与归纳嵌入方面表现优于现有模型。
- 基于聚类抽样的关系依赖对比学习在归纳关系预测中的应用
本研究提出一种基于关系依赖的对比学习方法（ReCoLe），用于关系推断和知识图谱补全，该方法通过聚类算法的新型采样方法适应对比学习，理论上提高了对未知关系和实体的适应能力，实验表明 ReCoLe 在常用的归纳数据集上性能优于现有方法。
- 利用概念感知信息在时间知识图上进行小样本归纳学习
该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。
- 推荐系统在实践中的应用：面向归纳学习和增量更新
本研究论文对推荐系统进行了综述，并指出现有方法的局限性，即很多方法只针对已有数据进行学习，难以应用于新用户或物品，同时也难以动态更新。因此，未来应该发展基于归纳学习和增量更新的推荐模型，并提出了未来研究的方向和待解决的问题。
- SHINE: 子超图归纳神经网络
本研究提出了一种基于超图的感知神经网络模型以实现基于亚图的预测，并将其应用于癌症分析以获得分子层面的生物学功能洞察。
- 关系消息传递用于完全归纳知识图谱补全
本研究提出了一种新方法 RMPI，它使用关系信息直接传递消息来充分利用子图推理中的关系模式，具有一定的归纳能力，并且可以比现有的全归纳 KGC 方法表现更好。