- 时序图中神经消息传递的顺序模式推理
我们提出了 HYPA-DBGNN，一种新颖的两步方法，它结合了（i）基于统计学原则的零模型对图上时间序列数据中的异常顺序模式进行推断，（ii）利用捕捉到过度出现的顺序模式的高阶 De Bruijn 图的神经信息传递方法。
- 社交网络中基于观点动力学的神经消息传递的统一视角
我们提出了一种基于有界置信度的信息传递框架 ODNet，将社会网络和神经信息传递的概念相结合，用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重，并定义与社交网络图特点一致的观点交换规则，我们的方法能够简化复杂的社交网络图，准确识 - Framelet 消息传递
本研究提出了一种基于多尺度小波变换的新型消息传递方法，即 Framelet Message Passing，并结合神经 ODE 求解器进行连续消息传递，证明了离散和连续情况均可实现网络稳定性和限制过度平滑，并在学习异构图时显著优于现有方法， - ICML神经消息传递用于视觉关系检测
该研究提出了一种基于交互图和神经消息传递算法的视觉关系检测方法，结合语言先验和空间线索进行优化，实验结果表明该方法的优越性。
- ACMP：具有粒子相变的图神经网络的 Allen-Cahn 信息传递
本论文提出基于相互作用粒子系统的 Allen-Cahn 消息传递机制，通过多个聚类形成的方式解决节点预测的问题，从而可以在图神经网络中实现数百层的深度，并解决常见问题中的过度平滑。经过实验验证，在各种实际节点分类数据集上，此机制性能达到了最 - ICLR消息传递神经偏微分方程求解器
本论文利用神经信息传递的方法，构建了一种能够解决具有多种性质的偏微分方程数值解的求解器，并提出了一种基于稳定性领域适应的方法，在 1D 和 2D 中验证其在各种流体状况下的快速、稳定和准确性能。
- ICML神经信息传递用于联合抗体结合部位 - 表位预测
通过使用不同的神经消息传递架构，针对抗体的不同特定方面进行预测，我们改进了抗体中的帕拉图普和表位预测，并恢复了有利的定量预测结果。
- HyperSAGE: 超图归纳表示学习的通用化
本文介绍了 HyperSAGE，这是一种新的超图学习框架，它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播，并比基准数据集上的现有方法表现更好，具有更高的表达能力和更稳定的节点表示。
- 用于预测分子性质的异构分子图神经网络
本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到 - 基于节点转移概率的消息传递和 DropNode 正则化的图卷积神经网络
本文提出了一种改进的基于节点转移概率的消息传递过程和一种新的正则化方法 DropNode，以解决小型图形上的过拟合和过度平滑等问题，实验发现这种方法在节点和图分类任务中要优于现有的方法。
- ICML面向开放世界推荐：一种基于归纳模型的协同过滤方法
本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下 - ICML分层互信息传递用于分子图学习
使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。
- ICCVSceneGraphNet：神经信息传递用于三维室内场景增强
本文提出了一种神经传递信息的方法来与其环境相匹配的新物体进行增强，该方法能够预测适合位置的物体类型的概率分布，并在密集图中传递学习消息来处理物体相之间的空间和结构关系，通过注意机制加权消息，在 SUNCG 数据集中比其他方法更准确地预测场景 - ICLR预测后传播：图神经网络遇见个性化 PageRank
本文通过引入 PageRank 的个性化传播机制，构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用， 用于半监督分类，在最彻底的 GCN-like 模型的研究 - 使用边更新的神经消息传递，预测分子和材料的属性
本文研究在分子图中应用神经信息传递以提高物质形成能预测及其他性质。通过引入边更新网络和各个原子的隐藏状态，该方法在 QM9、材料计划和 OQMD 三个公开数据集上表现出明显的优势。此外，通过比较使用 K 近邻、最大距离截断或泰森多边形图法生 - 基于图的生成式编码建模
本研究提出了一种新的基于图的生成模型，可用于产生源代码中的语义有意义的表达式，并在实验中胜过多种强基线模型。
- NIPS神经消息传递半监督学习分子的分层表示
本文提出一种适用于无监督和半监督任务的分层特征提取算法，使用神经信息传递机制，用于分子（或具有固定节点和边类型的图形对象）的表示学习，经在多个基准数据集上的测试，证明了方法优于现有方法，同时半监督任务的预测性能也优于有标记样本的监督学习。