A.rabbit-优快云博客

原创 2025NeurIPS：DuetGraph Coarse-to-Fine Knowledge GraphReasoning with Dual-Pathway Global-Local Fusion

知识图谱（KG）对于实现跨领域知识推理至关重要。近年来，融合全局与局部信息的知识图谱推理方法已取得了可观的成果。然而，现有方法往往存在分数过平滑问题，这会模糊正确答案与错误答案之间的界限，进而影响推理效果。为解决该问题，我们提出了。

2026-01-09 22:28:05 661

原创【2019】T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction

准确的实时交通预测在智能交通系统（Intelligent Traffic System）中发挥着重要作用，对城市交通规划、交通管理及交通控制具有重要意义。然而，受城市路网拓扑结构和交通流随时间动态变化规律（即空间依赖性与时间依赖性）的制约，交通预测一直被视为一个开放性科学问题。为同时捕捉空间依赖性与时间依赖性，本文提出一种基于神经网络的新型交通预测方法 —— 时序图卷积网络（T-GCN）模型，该模型结合了图卷积网络（GCN）与门控循环单元（GRU）。具体而言，

2025-11-15 21:10:47 544

原创【2024 Fuzzy System】GFS-Node: Graph Fuzzy Systems for Node Prediction

对于第 k 条规则前件中的节点模糊集NFk(XVCNk)，其隶属度函数定义为：k为模糊规则的序号（k=1,2,…,K），K为模糊规则的总数；XVCNk为第 k 条规则对应的虚拟中心节点（VCN）；NodeSim是取值范围为 [0,1] 的节点相似度度量函数，用于计算第 i 个输入节点Xi与第 k 个虚拟节点XVCNk之间的相似度；

2025-10-10 16:57:26 871

原创【2025 AAAI】一种无标签的异质性引导的无监督图欺诈检测方法

有效性：HUGE 在 6 个真实世界 GFD 数据集上，多数场景下 AUROC、AUPRC 均优于 7 种主流基线，证明其无监督欺诈检测能力；稳健性：相比基线的 “数据集依赖型” 性能，HUGE 在不同领域、不同规模数据上均保持稳定，适应复杂真实场景；组件必要性：HALO 异质性度量、非对称对齐损失、GNN 分支均为关键组件，协同作用实现 “精准异质性估计 + 结构信息利用 + 缓解特征平滑”；实用性。

2025-10-03 09:03:55 626

原创【NeurIps 2025】FireGNN: 基于可训练模糊规则的神经符号图神经网络（用于可解释医学图像分类）

本研究实验所用数据集既涵盖真实生物医学图像集合 MedMNIST v2（MedMNIST v2 遵循 CC BY 4.0 许可协议开放获取），也包括合成基准数据集 Morpho-MNIST（Morpho-MNIST 衍生自 MNIST 数据集，MNIST 遵循 CC BY-SA 3.0 许可协议）。其中，MedMNIST v2 是大规模轻量级二维生物医学图像数据集集合，涵盖多种器官类型；Morpho-MNIST 为合成数据集。

2025-09-29 23:56:47 931

原创【2024 Fuzzy System】Graph Fuzzy System for the Whole Graph Prediction:Concepts, Models, and Algorith

对于图模糊系统中每条规则前件对应的图模糊集GFk(Gptk)，其隶属度函数可定义为：μGFk(G)=GraphSim(G,Gptk)(9)k=1,2,…,K为模糊规则序号，K为模糊规则总数；Gptk表示第k条规则中图模糊集对应的原型图；G表示待评估的任意图数据；算子GraphSim是用于计算原型图Gptk与待评估图G之间相似度的函数。规则前件中，图G属于图模糊集GFk(Gptk)的隶属度μGFk(G)，可通过计算GraphSim(G,Gptk)得到。

2025-09-27 11:58:05 692

原创【2021 NeurIPS】do-transformers-really-perform-badly-for-graph-representation-Paper？

效率层面：通过 “稀疏化、采样、低秩近似” 降低计算成本，让模型能处理大图；精度层面：通过 “注入领域知识、适配编码的采样” 让模型更懂特定场景，提升任务效果。这些优化策略并非 “空想”—— 已有部分技术（如稀疏注意力、领域知识编码）在小范围实验中验证了有效性，未来只需进一步整合到 Graphormer 的框架中，就能逐步解决这些挑战。

2025-09-24 20:30:37 448

原创【2025 OA】Multimodal multi-instance evidence fusion neural networks for cancer survival prediction

准确的癌症生存预测在协助临床医生制定治疗方案方面发挥着关键作用。病理图像、基因组数据、临床信息等多模态数据能够提供互补且全面的信息，大幅提升该任务的预测准确性。然而，现有方法尽管取得了一定的可喜成果，仍存在两个显著局限：一是无法有效利用全局上下文信息，二是忽略了不同模态数据的不确定性，这可能导致预测结果不可靠。

2025-09-22 23:17:29 1097

原创【名词解释】邓普斯特 - 沙菲证据理论（Dempster–Shafer Evidence Theory, DST）

Dempster - 沙菲证据理论是一种 “更灵活的不确定性推理工具”，核心是 “允许证据支持‘结果集合’，保留未知信息”，本质是模拟人类在 “信息不完整、有冲突” 时的判断逻辑 —— 从 “非黑即白” 的概率，走向 “灰度区间” 的证据融合。它在需要处理模糊信息的领域（如医学诊断、故障检测）有重要价值，唯一需要注意的是 “合理处理冲突证据”。

2025-09-19 10:19:47 823

原创【2025 TNNLS】Multigranularity Fuzzy Autoencoder forDiscriminative Feature Selection inHigh-Dimension

通过 “类别质心” 找到每个类别的核心特征；通过 “隶属度” 量化样本与自身类别的贴合程度，给正常样本（隶属度高）分配高权重，给噪声 / 异常值（隶属度低）分配低权重；最终在细粒度损失函数中，让正常样本主导特征选择，减少噪声的干扰，提升模型的鲁棒性。咱们可以把 “非隶属度” 和 “犹豫度” 的计算，类比成 “判断一个学生是否属于某个兴趣小组” 的过程 —— 不仅要看他自己和小组的契合度，还要看他身边朋友和这个小组的关系，最后综合判断 “不确定程度”。

2025-09-18 14:16:55 968

原创【名词解释】谱域和空域

对比维度空域方法（Spatial）谱域方法（Spectral）核心思路直接用图的原始连接，找邻居汇总信息先把图转成数学信号，在谱域处理后再转回来通俗类比直接问身边好友，汇总说法先查行业报告（汇总好友信息），再提炼关键信息优点直观、计算快数学严谨、能全局处理图缺点复杂图可能漏信息难理解、早期计算慢代表模型ChebNet、早期谱网络。

2025-09-15 11:59:51 825

原创【名词解释】低通滤波

它就像给晃动的镜头装了 “防抖”，给嘈杂的声音装了 “降噪”，核心是 “留下缓慢、平稳的有用信号，去掉快速、杂乱的干扰信号”，让最终的信号更 “干净”，但也要注意别把关键的细节一起 “滤没了”。

2025-09-15 11:45:38 442

原创【名词解释】池化

它的核心就是 “从多到少、去粗取精”—— 把分散在节点上的杂乱信息，变成集中、关键的 “图 / 子图信息”，既帮模型完成 “看整体” 的任务，又减轻计算负担，还能让模型更关注有用规律，少被噪声干扰。自注意力图池化（SAGPool）：由 Lee 等人在 2019 年提出，该方法利用自注意力机制，同时考量节点特征与拓扑结构来学习图表示。它能以合理的时空复杂度，通过注意力权重衡量节点特征重要性和结构关联性，在保证计算效率的同时，有效平衡表示能力，已在多个图学习任务中展现出良好性能。

2025-09-15 11:43:56 826

原创【IEEE Access 2022】RG-GCN: Improved Graph Convolution Neural Network Algorithm Based on Rough Graph

给定节点集V={v1,v2,…,vv}，该节点集对应一组上近似非图像表型属性Mmax={Mhmax}与一组下近似非图像表型属性Mmin={Mhmin}。对于Mmin={Mhmin}，若两个节点在对应下近似表型属性中的取值相同，且具有该特征的表型属性数量为i1，则这两个节点间存在i1条下近似边Ei−；对于Mmax={Mhmax}，若两个节点在对应上近似表型属性中的取值可依据特定规则判定为等价，且具有该特征的表型属性数量为i2，则这两个节点间存在i2条上近似边Ei−。

2025-09-13 23:41:01 914

原创【ICLR 2019】《HOW POWERFUL ARE GRAPH NEURAL NETWORKS?》论文阅读笔记

理论上：搞清楚了 GNN 的 “能力边界”（超不过 WL 测试）和 “变强条件”（聚合函数要单射）；实践上：设计了 GIN 这个 “最强 GNN”，给后续研究当标杆；给我们的启示以后做 GNN，优先选 “求和 + MLP” 的组合（比如 GIN），尤其是处理需要精准区分结构的任务（如分子设计、图分类）；如果任务只需要 “看邻居的分布”（比如判断节点属于哪个社区），用 GCN 的平均聚合也够用。

2025-09-13 10:51:38 998 2

weixin_44201461的博客