2026年4月，研究人员推出全新图神经网络（GNN）训练技术HarmonyGNN，该技术针对传统半监督GNN在无标记节点场景性能下降、无监督方法难以处理异质关系的行业痛点，优化了节点同质性与异质性关系处理能力，在11个通用基准测试中实现准确率显著提升，可广泛应用于药物发现、气象预测等多个依赖图数据的AI领域。
在人工智能处理的各类数据中，图数据是相当特殊的一类——小到分子的原子结构，大到全球气象观测网格，都可以用节点和节点之间的连线表征关系，而专门处理这类数据的图神经网络，一直是AI领域落地场景最广阔的方向之一，但其训练流程中长期存在一个难以绕过的矛盾。
传统GNN大多采用半监督训练方案，训练过程需要依赖大量提前标注好的节点数据才能识别节点间的关系。但在很多实际落地场景中，大规模标注节点数据的成本极高，甚至根本无法实现——比如新发现的化合物分子结构，大多没有现成标注，直接套用训练好的半监督GNN，性能会出现明显下滑。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号