- 利用信念地图辅助训练的多智能体合作游戏
多智能体系统中，使用消息传递系统共享本地观察以获得全局情境感知，进而影响智能体间协作的有效性。本文提出 Belief-map Assisted Multi-agent System (BAMS)，利用神经符号信念映射来增强训练，通过简单的符 - KAGNNs: Kolmogorov-Arnold 网络遇上图学习
最近几年，图神经网络 (GNNs) 成为学习节点和图表示的事实上的工具，该论文比较了 KANs 与 MLPs 在图学习任务中的性能，结果表明在分类任务方面两者相当，但在图回归任务上，KANs 具有明显优势。
- ICML连续时间动态图上的长距离传播
通过引入连续时间图反对称网络（CTAN），本文展示了 CTAN 方法在模拟长程依赖任务以及在合成长程基准和实际基准上的优越性能，从而证明了其长程建模能力并将长程任务作为时间图模型评价的一部分。
- 利用扩展图进行时态图重构
提出了一种用于时态图的图重连方法，利用扩展图传播构建消息传递路径以实现远距离节点之间的通信。在公共数据集上验证了该方法对提高时态图神经网络性能的有效性。
- 通过关系网络进行归纳式知识图谱补全的逻辑推理
针对归纳性知识图谱补全（KGC）的问题，我们提出了一种新颖的 iNfOmax RelAtion Network（NORAN），旨在挖掘适用于归纳性 KGC 的潜在关系模式，实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。
- 基于图的消息扩散的束联神经网络
Graph-structured data learning using BuNN, a type of GNN that operates through message diffusion over flat vector bundle - 利用集体结构知识进行图神经网络的数据增强
本篇研究提出了一种新颖的方法，即综合结构知识增强图神经网络 (CoS-GNN)，通过引入新的消息传递方法，使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征，在增强的图结构中大大改善了图神经网络的结构知识建模，从而实现了显著改进 - 图神经网络的条件局部特征编码
图神经网络通过条件局部特征编码 (CLFE) 来解决节点特征被局部邻域信息主导的问题，并在四个图领域任务中通过实验证明了其提高模型性能的可行性。
- 提升图表示学习的邻居级信息交互编码
通过在信息汇总和更新阶段增加邻居级别的信息交互编码，提升了图表示学习的性能，并在四个高需求任务中取得了最新的技术成果。
- 消息传递如何改善协同过滤？
通过正式的研究和理论分析，我们发现消息传递主要通过在正向传播过程中从邻居节点传递额外表示来改善协同过滤（CF）性能，而不是通过模型的反向传播过程中对邻居表示的额外梯度更新。 当应对额外的计算开销时，我们提出了一种名为 TAG-CF 的测试时 - 通过 GNN 的反向过程区分异质图的邻居表示
通过逆向消息传递过程，改进了图神经网络中的过度平滑问题，并提高了在异质图中节点分类的预测性能。
- 基于期望最大化和 Turbo 深度近似消息传递的贝叶斯联合学习
我们提出了一种基于消息传递的贝叶斯联邦学习框架 EM-TDAMP，通过组稀疏先验实现结构化模型压缩，通过期望最大化和 Turbo deep approximate message passing（TDAMP）相结合来实现分布式学习和压缩，从 - GNN-LoFI: 基于本地特征的直方图相交的新型图神经网络
本文提出了一种新的图神经网络架构，用局部邻域中节点特征的分布分析替代了传统的信息传递方式，并通过直方图交集核函数将这些特征的相似性信息传播到网络中的其他节点，从而创造了一种类似于信息传递的机制。我们通过剔除实验评估了网络在不同超参数选择下的 - 自适应信息传递：缓解过度平滑、过度压缩和未能到达的通用框架
通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。
- 超图多层感知机：无需消息传递的超图学习
通过将关于超图结构的信息整合到训练监督中，我们提出了一种新的学习框架 Hypergraph-MLP，它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型，在超图节点分类任务中表现出与现有基线相比具有竞争力的性能，并且在推理时更快且更 - 使用一阶消息传递进行超图节点表示学习
本研究提出了一种新颖的单阶段信息传递范式，用于超图中的全局和局部信息传播模型，在超图节点表示学习的 Transformer 框架 HGraphormer 中引入此范式，通过结合注意力矩阵和超图拉普拉斯矩阵将超图结构信息注入 Transfor - 高阶扩展图传播
通过在边上交换信息，图神经网络对图结构化数据进行操作。然而，信息过于压缩问题限制了这种信息传递范式，可能导致信息丢失。为了解决这个问题，最新的研究探索使用低直径高连通度的稀疏图 —— 扩展图来进行信息传递。然而，现有的扩展图传播方法只考虑了 - 洗牌回归的相变现象
研究脉冲信号传导、高斯近似方法在解决相位转变问题中的应用。
- 通过学习有效的选择策略实现高效的子图图神经网络
我们提出了一种名为 Policy-Learn 的新方法，该方法通过学习如何选择子图解决了学习从大量可能的子图中选择一个小子图集的问题，并在实验结果中表现优于现有的基线模型。
- ICLR神经偏微分方程求解中的自回归复兴
“Message Passing Neural PDE Solver” by Brandstetter et al. designs a graph neural network that outperforms both Fourier