待验证50% 置信事实精确时间
传统图神经网络（GNN）方法将静态先验与动态关系图结合，并默认每条提取出的边都是同等可信的事实。
1
来源数
50%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证图神经网络（GNN）通过在图结构上进行消息传递与聚合，能够直接处理分子结构、知识图谱、社交网络等非欧氏数据79% 相似待验证GNN的核心优势在于处理实体之间的关系网络，而语言模型擅长的则是序列预测和文本生成。74% 相似待验证随机边基线（保持节点特征和模型超参数不变，仅随机重连边）的表现优于基础神经网络，但明显不如保留真实连接关系的GNN。72% 相似待验证GNN 的表达能力上界与图同构判定问题密切相关，Weisfeiler-Leman（WL）图同构测试为 GNN 的表达力提供了理论刻画框架71% 相似待验证GNoME基于图神经网络（GNN），通过学习Materials Project等密度泛函理论（DFT）数据库中已知晶体结构稳定性规律进行预测70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1133744API
curl https://kongchang.com/api/v1/knowledge/claims/1133744MCP
get_claim(id=1133744)