登录体验完整功能(收藏、点赞、评论等) — 已累计有 8630 人加入

让AI触手可及,让应用激发潜能

新型训练技术HarmonyGNN发布 大幅提升图神经网络准确率

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。

为了破解这一困局,研究人员转向无监督训练方向,但此前的无监督GNN方案普遍存在另一个短板:无法很好区分图中的同质性与异质性关系——也就是节点之间是相似关系还是差异关系,模型难以精准分辨,最终导致异质图场景下模型准确率偏低。

免责声明:本网站AI资讯内容仅供学习参考,不构成任何建议,不对信息准确性与完整性负责。
相关资讯
AI小创