机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

人工智能技术推动企业数字化转型，知识图谱连接AI与企业知识管理，提升决策与管理效率。企业需结合自身数据与行业知识，应用合适的AI模型，解决数据孤岛问题。英特尔大湾区科技创新中心将举办培训，教授构建知识图谱与AI智能体的方法。

本研究提出了GNN-Suite，一个用于构建和基准测试图神经网络（GNN）架构的模块化框架，以解决生物医学领域内实验标准化和可重复性的问题。该框架通过系统的评估方法，证明了GNN在识别癌症致病基因方面的优越性，尤其是GCN2模型在结果中表现最佳（平衡准确率0.807），并强调了网络学习相对于单一特征方法的优势。

本研究探讨了大型语言模型（LLMs）在图神经网络（GNNs）中优化节点表示的特性。通过合成图数据集和干预实验，揭示了LLM与GNN的内部机制，并设计了优化模块以提升信息传递，实验结果验证了其有效性，为图表示学习提供了新的视角。

该研究提出了一种动态生成验证集的方法，克服了现有动作策略在小训练实例和大测试实例下的局限性，显著提升了GNN策略的扩展能力。

本研究解决了恶意软件检测中对控制流图（CFG）解释一致性的问题。通过提出一种新的动态构建CFG和嵌入节点特征的框架，以及应用先进的可解释性技术，研究显示可以有效识别恶意行为并生成可靠的解释，大大增强了模型的可解释性和运行效果。

本研究解决了在图神经网络（GNN）中生成全球解释概念的挑战，提出了一种通过分析和提取消息传递过程中的关键子树的方法。该方法能够在数据集层面生成直观的图形解释，相比于现有的方法，提供更加清晰的子图概念，并在个别实例的解释性能上与领先的局部GNN解释器相当，甚至更优。

本研究提出SubGND框架，通过将节点分类重构为子图分类，解决了计算和内存成本问题，避免了全球上下文信息的丧失。实验结果表明，该框架在多个基准数据集上表现优异，尤其在异质环境中展现出更好的有效性和可扩展性。

本研究针对图神经网络（GNNs）在不同任务和领域间知识迁移的难题，提出了GraphBridge框架，避免了对任务配置或图结构的修改。该框架通过将预训练GNN与预测头和桥接网络相结合，有效解决了负向迁移问题，并在16个数据集的实验验证中显示出出色的任务和领域无关的迁移学习能力，标志着GNN领域的重要进步。

本研究提出了一种针对智能家居环境的可解释图神经网络（GNN），解决了人类活动识别的可解释性问题，提高了识别率，并展示了在医疗保健领域的应用潜力。

本研究解决了在边缘设备上广泛部署机器学习模型时所面临的模型知识产权和数据隐私脆弱性。我们提出了GNNVault，这是基于受信执行环境的首个安全图神经网络（GNN）部署策略，通过“训练前分区”设计和私有GNN整流器，确保了推理过程中关键GNN模型参数和私有图的数据安全。实际应用表明，GNNVault能够有效抵御最先进的链接窃取攻击，而且准确率损失极小（2%）。

本研究提出了一种通过减少特征相关性来提高GNN力场模型稳定性的方法，旨在增强分子动力学模拟的稳定性。研究表明，特征相关性与模型稳定性负相关，并设计了动态损失系数调度器，显著提升了模型在分布外数据中的稳定性，计算开销保持在3%以下。

本研究解决了电力系统中机器学习方法在现实条件下验证效果的难题。提出的SafePowerGraph-HIL框架通过在IEEE 9-bus系统中进行实时硬件在环（HIL）仿真，生成高保真数据，以训练异构图神经网络（HGNN），并在多种系统条件下进行验证，显示出高准确性和鲁棒性。这一工作推动了集成HIL与先进神经网络架构的进展，将增强电力系统的实时操作能力。

本研究解决了图神经网络(GNN)在处理与敏感节点属性（如年龄和性别）相关的任务时产生偏见的重大挑战。提出了一种新的生成性公平感知子图扩散(FASD)方法，通过对小子图进行采样和使用随机微分方程的公平扩散过程，有效去除输入数据的不公平性。实验结果显示，该方法在多个基准数据集上显著优于现有的公平GNN基准，展现了其在实现公正预测方面的潜力。