顶会新方向！14篇图神经网络（GNN）最新顶会论文汇总！（含2024）

图神经网络（GNN）是深度学习领域中备受关注的前沿课题，它在处理图结构数据方面展现出了强大的潜力，随着研究的不断深入，越来越多的优秀论文在顶级学术会议上涌现。

今天就给大家整理了14篇顶会中发表的图神经网络优质论文，一起看看这方面的最新研究成果吧！

AAAI2024

1、Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns

通过保留图生成模式对图神经网络进行微调

简述：本文发现预训练图神经网络(GNN)与下游任务图之间性能差异的原因在于它们生成模式的不同，并提出了G-Tuning方法，它调整预训练GNN以逼近下游任务图的生成模式。由于直接重建这些模式计算成本高，研究人员找到了一种理论上的替代方法，使用图on基的线性组合来近似。这一发现使得这个模型能够有效学习，并在迁移学习实验中相比其他算法取得了更好的性能。

2、A Generalized Neural Diffusion Framework on Graph

图上的广义神经扩散框架

简述：本文中提出了一个新的包含保真项的扩散方程框架，用以统一并深化对图神经网络的理解。研究发现现有神经扩散过程通常只涉及一阶扩散，而高阶邻居标签的一致性促使设计新型高阶感知扩散方程，从而提出了一种新型的图扩散网络模型HiD-Net。HiD-Net不仅理论上与高阶随机游走相联系，并且具有收敛性保证，实验结果也显示其在不同类型的图上具有出色的性能和鲁棒性。

NeurIPS2023

3、Newton–Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems

Newton-Cotes图神经网络：关于动态系统的时间演化

简述：推理系统动力学是重要分析方法，用于预测未来系统状态，研究人员分析了这些方法的共同点，即它们通过积分速度来学习坐标变化，并指出它们的积分在时间上是恒定的。基于此，提出了一种新的积分预测方法，利用牛顿-科特斯公式对速度进行多点估计，并理论上和实验上验证了其优越性。