跳到正文

算法、任务与模态

GNN 最新动态

GNN 研究索引；按可核对的标签归档，不以热度评价质量。

328 条精选近 30 天 53 条共收录 489 条

更新

精选归档 · 第 17 页

1月1日周三第 321–328 条
  1. OpenReview · Representation learning70

    面向精神分裂症诊断的动态脑网络层级表征学习

    基于摘要分析。研究针对动态脑网络（DBN）的手工特征难以充分学习其层级时间结构的问题，提出图卷积网络框架下的层级表征学习方法 HARL，用于精神分裂症诊断。原研究对象是由一组随时间变化的功能连接矩阵构成的动态脑网络，而非直接面向 BCI 的信号解码。 方法将每个时变状态作为图节点，以该状态的功能连接矩阵确定节点特征，并根据节点特征学习边。HARL 的每个层级包含卷积层与池化层：卷积层聚合邻居信息以更新状态表征；池化层结合节点特征和图拓扑选择重要状态，构成供下一层处理的粗化图。各层级分别聚合节点特征生成 DBN 表征，再输入全连接层进行疾病预测。其机制重点是对“状态之间的关系”进行图建模，而不是直接把脑区作为此图的节点；不过，时间顺序如何编码、状态筛选如何保留动态信息，仍需核对全文。 作者报告，在一个真实精神分裂症数据集上的实验支持该方法的有效性与优势。摘要未提供采集模态、数据集名称、样本量、划分方式、对照方法或定量指标，因此无法判断跨被试泛化和相对收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能获得可靠的时变功能连接矩阵，可尝试复用状态图建模及层级池化，并改造连接估计与节点特征构造。该假设依赖连接估计和状态关系的稳定性，低信噪比、跨被试差异、通道配置变化及小数据均可能削弱效果。一个可检验的小实验是在固定的跨被试划分下，比较 HARL 式层级状态图与简单状态特征聚合，并检查状态筛选的稳定性；这不构成已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以动态状态为节点、通过图卷积和层级池化学习动态脑网络表征的机制，但精神分裂症诊断的具体效果与评估协议尚未验证。

  2. OpenReview · Representation learning75

    通过神经稀疏化实现鲁棒图表示学习

    基于摘要分析。该研究针对通用图表示学习中邻域聚合混入任务无关信息、影响泛化的问题，提出监督式图稀疏化方法 NeuralSparse，通过学习删除潜在的任务无关边，改善下游图神经网络的预测表现；原研究对象并非 EEG 或 BCI。 机制上，NeuralSparse 同时利用图结构与非结构信息，以深度神经网络参数化稀疏化过程，并通过下游任务的反馈优化参数。其可与现有图神经网络衔接，核心思路是学习哪些连接值得保留，而非直接聚合全部邻域信息。具体边选择机制、损失函数及训练与推理流程尚未验证。 作者报告，在基准及私有数据集的节点分类任务中，NeuralSparse 与现有图神经网络结合时，测试 Accuracy 最高改善 7.2%；摘要未明确该数值是相对提升还是百分点增益，也未提供对应数据集、划分和基线，不能据此作跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被表示为以通道为节点、连接关系为边的图，任务监督的边筛选可能用于抑制与解码目标无关的连接。该假设依赖图构建质量、节点特征及足够的监督数据；可复用的是任务反馈驱动的稀疏化思路，需要改造的是 EEG 图构建及边选择约束。低信噪比、跨被试连接差异、通道配置变化和小样本可能使筛边过程过拟合，或删除有用的弱连接。一个可检验的小实验是在固定 EEG 图构建、骨干模型和跨被试划分下，对比不稀疏化、等边数随机稀疏化与学习式稀疏化，并检查多次运行的表现及边选择稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是利用下游任务监督学习图边稀疏化、以减少无关邻域信息的机制；其对 EEG 图建模的适用性尚未验证。

  3. OpenReview · State space models72

    基于嵌入空间图神经网络的径迹种子生成与标注

    基于摘要分析。本文面向高亮度大型强子对撞机（HL-LHC）的海量粒子径迹重建，研究如何结合图神经网络（GNN）与学习型嵌入空间，完成径迹种子生成、探测器命中点关联及径迹识别；主要研究对象是粒子探测数据，而非脑信号。 方法将一次事件表示为图：节点对应探测器命中点，边对应命中点之间的候选线段，节点和边可携带探测器信息。GNN 通过消息传递传播嵌入特征，并预测节点、边或整图属性。在既有双命中点组合（doublet）似然预测工作的基础上，本文探索架构、构图和嵌入表示的扩展。学习得到的表示包含非线性度量结构，可用于聚类和邻域查询；所得图既可输入 doublet、triplet 分类器，也可通过嵌入空间聚类实现端到端径迹分类，之后结合探测器物理知识进行后处理。 作者报告，在 TrackML particle tracking challenge 数据集上，该框架在种子生成和径迹识别两项任务中取得有利结果，命中点图分类亦呈现积极表现。但摘要未提供具体指标、数值或对照条件，无法判断改进幅度，也不能将其概括为已验证的最优方法。网络结构、损失函数、训练规模、数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域机制是“学习表示后再构图”，对应 EEG 图方法中邻接关系难以预先确定的问题。原任务依赖命中点、候选线段及探测器几何与物理约束；迁移时需重新定义 EEG 节点、邻接目标和监督信号，不能直接沿用径迹后处理。低信噪比、通道布局差异及小样本可能使邻域反映噪声或被试身份，而非任务关系。一个可检验的小实验是在固定 EEG 编码器、分类器与跨被试划分下，仅比较固定邻接和嵌入邻域构图，并核查性能及邻域稳定性。该建议不是原文结果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注的是学习型嵌入如何同时服务于构图、邻域查询和径迹分类，但其证据来自粒子追踪任务，不能据此认定对 EEG 或 BCI 有效。

  4. OpenReview · Representation learning72

    DualGCN：通过双层级卷积网络进行属性图表示学习

    基于摘要分析。本文研究节点与边均具有高维属性的属性图表示学习，提出 DualGCN，以节点级和边级卷积联合建模属性与图结构，针对既有方法对边属性利用不足的问题。 核心机制是交替堆叠节点级与边级卷积层，使节点嵌入与边嵌入相互增强。方法还利用 2-hop 邻居，并为中心节点或中心边赋予双倍权重，以改善结构信息的利用。摘要未提供具体消息传递公式、损失函数、层数及训练配置，这些内容尚未验证。 作者报告，在多个真实世界属性图数据集上的节点分类、链接预测和图分类任务中，DualGCN 持续优于所比较的基线及当时先进方法，且优势显著；但摘要未列出数据集名称、划分协议、指标、具体数值或统计检验，因此不能量化其增益。实验协议、消融及统计信息尚未验证，尤其需核对双层级交替更新、2-hop 邻域和中心双倍权重各自的贡献。 平台推测（待验证）：其可迁移机制在于同时更新节点与边的多维属性，而非仅以固定标量边权连接节点。若 EEG 任务能构建以通道特征为节点属性、以多频段连接特征为边属性的图，可考虑复用双层级更新框架，但需改造图构建、边属性定义与任务输出。低信噪比可能使连接估计不稳定，跨被试差异及通道布局变化可能破坏属性对应，小数据条件下复杂边表示也可能过拟合。可在固定的跨被试划分下，对比仅节点属性模型与双层级模型，并通过移除或打乱边属性检验其增益是否确实来自边信息；这仅是可检验假设，不是已证实的 EEG/BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DualGCN 如何通过交替的节点级与边级卷积联合利用高维属性，但其性能优势及向 EEG 图建模迁移的有效性仍需分别验证。

1月1日周二
  1. OpenReview · Representation learning72

    从部分观测轨迹中学习经典规划的表示

    基于摘要分析。本文研究经典规划中完整领域模型难以手工指定、从轨迹学得的声明式模型又可能因不准确而影响规划求解的问题，提出基于图神经网络（GNN）的 LP-GNN，以向量化领域表示结合无模型学习与基于模型的规划。 技术机制上，LP-GNN 将命题与动作嵌入图中，探索二者的潜在关系，以形成领域特定的启发式。其研究对象是经典规划领域模型，而非 EEG 表征或 BCI 解码。相较于先学习 STRIPS、PDDL 等声明式领域模型、再调用现有规划器的路线，该方法尝试通过学习到的关系表示支持规划求解。摘要未说明图的具体构造、部分观测的生成方式、训练目标及推理流程，这些细节尚未验证。 作者报告，在五个经典规划领域中，与领域模型学习方法 ARMS 相比，LP-GNN 学得的领域模型更有效地支持规划问题求解。摘要未给出领域名称、数据划分、观测完整度、具体指标或数值，因此无法据此判断提升幅度、跨任务泛化能力或比较条件；实验协议、消融及统计信息尚未验证。 该工作的阅读价值主要在于部分观测条件下的关系表示学习与规划启发式构建。材料没有提供神经信号数据、BCI 任务或可直接对应的迁移机制，不能将其规划结果视为 EEG/BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注 LP-GNN 如何将不完整轨迹中的命题与动作关系转化为规划启发式，但其相对 ARMS 的优势仍需结合全文中的观测协议、任务划分与评价指标核对。

  2. OpenReview · Representation learning72

    利用多图神经网络学习跨域表征

    基于摘要分析。本文研究推荐、搜索排序和在线广告等场景中的物品嵌入学习，针对单一域用户历史行为不足导致的数据稀疏问题，提出 Deep Multi-Graph Embedding（DMGE），利用不同域中涉及相同物品的相关行为学习跨域表征。 方法首先依据不同域的用户行为构建多图，再通过多图神经网络以无监督方式学习表征，并采用多梯度下降优化器训练模型。其核心思路是利用相关域的互补信息，而非仅依赖单域行为。摘要未交代图的节点与边定义、跨域信息交互方式、具体训练目标及梯度协调规则，这些机制仍需查阅全文核对。 作者报告，在多个大规模真实世界数据集的多项任务上，DMGE 优于所比较的嵌入方法；但摘要未列出数据集名称、任务指标、数据划分、基线配置或提升幅度，不能据此量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制对 EEG 的潜在启发是将不同被试或会话表示为相关图，利用互补结构缓解单域样本不足；这一假设依赖可对齐的节点语义及具有可比性的边关系，不能直接照搬原文中“相同物品”的跨域对应关系。可考虑复用多图表征与梯度协调思路，但需改造 EEG 图构建及跨域对齐模块。低信噪比、通道差异和小样本可能使图结构不稳定，跨被试差异还可能导致负迁移。一个小规模可证伪实验是在固定跨被试划分与相同训练数据下，对比单图学习和多图联合学习，并以打乱跨域节点对应关系作为对照，检验收益是否确实来自有效的跨域结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是 DMGE 通过多图联合表征与多梯度下降优化利用相关域的互补信息缓解物品嵌入稀疏性，但其对 EEG 跨域学习的价值尚未验证。

  3. OpenReview · Representation learning72

    Cascade2vec：通过循环图神经网络学习动态级联表示

    基于摘要分析。该研究针对社交网络中信息传播级联的增长预测，提出 Cascade2vec，以图神经网络学习级联的空间结构，再结合循环神经网络捕捉动态图之间的时间关系，形成动态图级表示。 核心机制是改进图神经网络：设计在节点之间共享注意力权重的图残差块，并通过感知层变换特征；随后将该图网络整合进循环神经网络，联合建模级联的空间与时间特征。其针对的既有方法主要基于循环神经网络以及随机游走或传播路径表示，作者认为这些方法不足以刻画整个级联的深层时空特征。摘要未提供具体损失形式、图序列构造方式或训练细节。 作者报告，在 Microblog network dataset 的一小时级联预测设置下，相较摘要所称的强基线，mean squared logarithmic error 和 median squared logarithmic error 分别降低 16.1% 和 12%。这些是对应误差指标的相对降幅，并非准确率提升；基线名称、数据划分、一小时预测的具体时间协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是以图编码器处理空间关系、以循环模块处理图序列，这可能用于探索 EEG 通道关系随时间变化的建模，但原论文研究对象是人员间的信息传播，并非神经信号。迁移需将传播节点和边替换为 EEG 通道及其关系，并重设监督目标；原研究的数据规模和监督构造尚未验证。低信噪比导致的边估计不稳定、跨被试差异、通道配置变化和小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分与相同输入窗口下，对比静态图模型、仅时序模型和动态图循环模型，并消融图残差块，以检验收益是否来自动态图机制。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其将图级空间表征与图序列时序建模结合的机制，但摘要中的优势仅来自信息传播级联预测，不能据此认定其对 EEG 或 BCI 有效。

1月1日周一
  1. OpenReview · State space models75

    使用 Graph State LSTM 进行 n 元关系抽取

    基于摘要分析。本文研究跨句 n 元关系抽取，即识别分布于多个句子中的 n 个实体之间的关系，提出 Graph State LSTM，在保留原始文档图结构的条件下，通过迭代消息传递更新各词的状态。 核心机制与对照：输入被表示为 document graph，整合句内与句间依赖。摘要中的主要对照方法将图拆分为两个有向无环图（DAG），分别使用 DAG-structured LSTM 建模；作者认为拆图可能损失重要信息。所提方法为每个词维护可并行更新的状态，并通过消息传递反复丰富状态表示，避免上述拆分。具体状态更新方程、边类型处理、训练目标和迭代次数尚未验证；不应仅凭来源分类将其视为现代 State Space Model。 结果与证据边界：作者报告，在一个标准关系抽取 benchmark 上取得当时文献中的最佳结果，并称更高的并行化程度可加快计算。摘要未提供 benchmark 名称、数据划分、指标数值、具体基线或运行时间，因此无法量化性能与效率收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域假设是，将“保留图结构并迭代更新节点状态”的机制用于 EEG 通道图，以建模通道间依赖。原方法依赖词节点及语言依赖边；迁移时需改造节点特征、图构建和任务监督，而不是直接复用语言结构。低信噪比、跨被试连接差异、通道配置变化及小数据可能使消息传递扩散噪声或导致过拟合。一个可检验的小实验是在固定 EEG 数据划分与相同节点特征下，对照保留通道图、拆分为 DAG 和不使用消息传递的模型，分别核对任务表现与计算耗时。上述假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在保留原始文档图结构的同时，通过并行词状态与迭代消息传递建模跨句关系的机制；性能及计算效率优势仍需结合全文中的评估协议核对。