#图神经网络

共 4 篇相关文章

用学生成绩预测的实例讲解图神经网络（GNN）的核心原理：从单层GNN引入邻居信息、随机边基线对照，到两层GNN实现两跳信息传播，并说明层数选择、训练验证的特殊性及嵌入、学习小组推荐等实际应用。

SCARCE框架提出无标签图泛化新方法，通过两阶段训练（变分图自编码器重建与对抗环境混淆）实现隐式特征重加权，在合成数据和DrugOOD上取得无标签方法中最优OOD泛化性能，理论证明环境混淆等价于方向性惩罚。

RAFT框架通过冗余感知输入过滤，平均减少35.23%训练输入，训练时间最多降低52.56%，精度几乎无损，为时序图神经网络训练加速提供新方案。

一篇 arXiv 新论文提出使用图神经网络 SchNet 从蛋白质三维结构预测跨膜蛋白拓扑，采用全原子级别嵌入替代传统序列特征，在与 DeepTMHMM 相同数据集上验证了 GNN 在拓扑预测中的潜力。