#图神经网络

搞图神经网络的可以看看这篇，把边的增删事件单独编码，再用 RL 挑有用的边快照来增强训练。比直接喂原始时序图的常见做法多了显式信号，AUROC 和 AP 都涨了，还附消融实验。做社交网络分析或推荐系统时序建模的团队值得跑一下代码对比基线。

做城市时空预测的可以看看这篇。它不从节点 ID 学嵌入，而是用局部图拓扑直接生成节点参数，新城市不用微调就能跑，20+ 数据集验证过零样本效果，代码也开源了。

搞电网状态估计的可以看看这篇：几个 PMU 一次前向就推全网功角和转速，不用逐场景跑优化，模型误差大时比 Kalman 类方法更稳，成本还低。无标签训练这点对缺实测数据的团队特别实用。

一篇把预训练图模型搬到时间序列异常检测的论文，SICA、MAPS、TGEC 三个模块各管一段，做工业监控或运维的可以看看思路。

这篇论文把图神经网络做入侵检测的水分挤干了：去掉评测泄漏后，图模型精度和不带图的 MLP 打平，树模型反而更强，唯一赢在抗噪声。做安全检测选型的值得看看对比细节。

如果你在用磁性图网络处理有向图，这篇把相位何时会丢方向信息的条件讲得很精确，还配了可复现的实验对照。

气象站、空气监测这类传感器网络常增减站点，普通图神经网络直接失效。这篇 arXiv 论文的做法能让模型在没见过的站点也输出预测加置信区间，做时空数据的朋友可以看看。

做图学习的朋友可以看看 GraCo，17 种图粗化方法统一接口，还带指标和四个数据集上的耗时内存对比，选方法省事多了。

做高阶图数据预测的朋友可以看看：CF-SNN 给单纯形神经网络加上带覆盖率保证的不确定性量化，多目标也能同时控住误覆盖率。

作者把复数特征值随时间的缠绕路径变成一条拓扑辫子，再用 Burau 表示转成特征向量，四分类做到 97.1%，比不追踪特征值的基线 44.5% 高出一大截，图机器学习方向值得看看。

用 GNN 做负荷预测的可以先看看，论文给了三个参照模型加重连测试，帮你判断图结构到底有没有用，还是只是参数共享在起作用。

一篇冷静的方法论论文：用 ROC-AUC 0.839 对 0.559 这些实验数据说明图表示的优势可能只是混淆变量，做图模型解释的同行可以看看。

一帮研究者做了个叫 SCARCE 的图神经网络框架，训练时完全不用类别标签，靠环境分区和对抗混淆就能扛住分布偏移，在 DrugOOD 上跑赢其它无标签方法。

做图生成的人可以看看：用 FlexAttention 实现的边感知注意力层，显存省了 65%，吞吐还更快。

训练 TGNN 太慢的可以看这篇：靠跟踪节点记忆变化提前过滤冗余事件，输入少砍九成七，时间省一半，精度基本不掉。

一篇理论味很浓的论文：把 GNN 深度到底在做什么讲清楚了，做格点规范场或等变网络的值得看。

一篇把权重当数据来学的论文，把 MLP 上成熟的做法补齐到了 decoder-only 语言模型，还顺手放了两个新数据集，做 weight-space 研究的可以看看。

做关系库预测先跑这条基线，MLP加特征传播在RelBench上就能逼近GNN，省算力。

这篇论文说伪标签共识想有效，得让模型看不同的证据。他们在 Cora、CiteSeer、PubMed 上把伪标签精度最多提了 4.39 个百分点，做图学习可以看看。

电网调度方向的研究者可以看看，1500万参数的GNN预训练后零样本跑10000节点电网，误差2.45%，代码全开源。

苏黎世团队联合瑞士国铁做了个铁路维护的 MARL 框架，小网络上训练完直接零样本搬到大规模网络，不用重训还比基线省时间。

一个做 3D 点云生成的新扩散架构 EMERGE，用图神经网络替代常规网格化管线，一次训练就能在任意分辨率零样本出结果，做 3D 生成的话可以看看这篇。

一种新的无监督聚类思路：数据点像元胞自动机一样自己"长"出类别，73 个聚类任务上追平了 Genie，还能迁移到大图。

这个研究挺有意思，作者提出的新方法能提升图神经网络在图分类任务上的表现，特别是Graph-UTS增强方法效果不错，值得看看。

这篇论文对研究图神经网络和形式化验证的工程师来说很有价值，因为它提供了一种新的方法来构建和解释循环图神经网络。

这篇论文揭示了图神经网络中一种新型故障模式，并提出了针对性的解决方案CASP，对GNN研究者和应用开发者很有价值。

MolLedger用原子级分数解释药物分子预测，比传统方法更符合化学特性，药物研发人员值得关注。

LION基于Clifford代数，在多模态属性图学习上取得了显著成果，值得一看。

这篇论文用3D图神经网络给绵羊做疼痛评估，不用深度相机，单摄像头就能算，比传统2D方法更准，做动物福利或AI应用可以看看。

做代谢组学或临床预测的可以看看，MetaboLLM把生化知识变成图谱，两个预测任务的AUC都挺能打。

这篇论文提出了MT-GNN，用图网络预测脑结构形状随时间的演化，在ADNI上比现有方法误差低2%以上，而且预测越久优势越明显。