特征融合这样做！GNN强强联合，我发那顶刊一区如探索取物！

在面对复杂关系结构的数据时，特征融合与图神经网络（GNN）的结合方案能够显著提升模型的表示能力和预测性能。其核心优势在于能够有效整合多源特征信息，并借助GNN的强大能力精准刻画节点间的复杂关系。这一方法在医疗数据分析和情感识别等场景中表现尤为突出，能够充分发挥其对复杂关系的建模优势，为相关应用提供更精准的解决方案。

该领域的研究热度持续攀升，主要得益于双重研究热点的交叉融合，叠加数据驱动方法的天然优势（具备处理非数据的能力，适用场景广泛且便于实验对比）。近年来，该方向在顶级期刊和会议上持续产出突破性成果，例如发表于一区 TOP 期刊 IEEE TC的最新研究，通过构建基于GNN的时频双流架构，在关键指标上显著超越现有最优模型。

为助力研究者探索创新方向，本文精选10篇特征融合与图神经网络（GNN）结合的前沿论文（附代码资源）。建议研究者从以下维度寻找突破点：模型架构优化（方法论）、应用场景创新（实践层面）、理论可解释性（理论基础）等方向开展研究。

全部论文+开源代码需要的同学看文末

一、GraphTransfer: 一种通用的特征融合框架用于协同过滤

方法

本研究提出GraphTransfer，一种创新的图神经网络特征融合框架，专为协同过滤任务设计。

该框架包含图特征提取模块与辅助特征提取模块，分别捕获图结构特征与辅助特征信息，并通过交叉融合模块实现特征间的深度交互，从而显著提升推荐系统的性能表现。

创新点

• 本文提出了一种基于图神经网络的通用特征融合框架 GraphTransfer。该框架创新性地设计了交叉融合模块，通过动态融合机制实现图特征与辅助特征的有效整合。

• 开发了基于图卷积网络的辅助特征抽取模块，能够深度挖掘用户 - 用户交互图与物品 - 物品交互图中的潜在特征关联，从而为用户和物品分别构建多维度的辅助特征表示。

二、基于图的多特征融合方法用于语音情感识别

方法

论文提出了一种基于图神经网络（GNN）的语音情感识别方法。

该方法将多种语音特征（例如MFCCs、eGeMAPs等）作为节点构建图结构，并通过学习多维边特征来显式地建模特征之间的复杂关系，进而实现高效的特征融合。这种基于图的特征融合方式显著提升了语音情感识别的准确性。

创新点

• 创新性地将多维边缘特征引入跨语料库情感识别任务，通过构建可学习的多维边缘特征表示，有效建模音频特征间的复杂关联。

• 提出基于跨特征注意力机制的特征融合方法，实现了不同类型语音特征的深度交互与信息互补。

• 构建了一个完整的语音情感识别框架，包含音频特征生成、多维边缘特征建模和情感识别三个核心模块，显著提升了情感识别的准确性和鲁棒性。

三、基于图的时频双流网络用于工业过程关键性能指标的多步预测

方法

本文提出了一种结合图神经网络（GNN）和时间-频率双流网络的多步预测模型，用于工业过程中关键性能指标（KPI）的预测。

该模型通过多图注意力层（Multi-GAT）捕捉过程变量之间的动态耦合关系，并借助时间-频率双流网络分别提取时间域和频率域的特征信息。

创新点

• 提出了一种新型双流网络架构，旨在从复杂工业数据中高效提取判别性与高信息量的时频特征。

• 创新性地设计了多图注意力机制，通过动态捕捉工业过程时变特性引发的变量间复杂耦合关系，有效建模多模态数据间的动态关联。

• 提出了最小冗余最大相关（MRMC）学习范式，通过构建特征协同优化目标函数，在特征融合过程中实现冗余信息抑制与互补性增强的双重优化目标，显著提升融合特征的表征效能。

关注下方《AI前沿速递》🚀🚀🚀
回复“C168”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏