近期我们针对特征融合+GNN的前沿成果进行了深度整合，从中筛选出23篇很有参考价值的论文，收录了IEEE Transactions on Cybernetics、WWW、npj | digital medicine等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「特征图」
免费获取全部论文合集及项目代码
ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion
内容：
本文针对大规模图神经网络存在的计算可扩展性差与过平滑问题，提出ScaleGNN框架，先构建逐跳纯邻接矩阵分离各跳独有的结构信号，通过自适应高阶特征融合、低阶增强特征聚合模块平衡局部细节与全局关联，再利用基于局部贡献分数LCS的掩码机制裁剪低价值高阶邻居，搭配可学习稀疏约束抑制冗余信息，结合节点分类损失、LCS正则损失与稀疏约束损失联合优化，在多个真实图数据集上验证该方法同时具备预测精度与计算效率。
DF-GNN: Dynamic Fusion Framework for Attention Graph Neural Networks on GPUs
内容：
本文针对现有GPU图神经网络系统在训练注意力图神经网络AT‑GNN时，存在内核启动开销大、固定线程调度带来冗余计算与负载不均衡、超级节点引发性能瓶颈的问题，提出DF‑GNN动态内核融合框架，设计动态双层线程调度，为SDDMM、Softmax、SpMM分别实现warp‑平衡SDDMM、无冗余Softmax、向量化SpMM定制调度策略，提供SMMF与PMF两种内核融合方案，可根据图是否存在超级节点动态选择，同时对反向传播同样做内核融合优化，并接入PyTorch提供可编程API，在多类数据集与AT‑GNN模型上验证，相比DGL稀疏库取得最高7.0倍加速，端到端训练相比DGL平均加速2.16倍。
扫描下方二维码，回复「特征图」
免费获取全部论文合集及项目代码
AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis
内容：
本文针对现有基于GAN的医学语义掩码生成方法切片间空间一致性差、解剖细节丢失的问题，以SPADE为骨干提出AnatoMaskGAN医学图像合成框架，设计GNN切片特征融合模块构建切片空间邻接图来聚合相邻切片上下文信息，采用三维空间噪声注入策略加权融合噪声与空间特征以丰富结构多样性，新增灰度‑纹理分类器约束生成图像灰度分布与纹理表现，结合对抗损失、特征损失、感知损失与灰度纹理损失联合优化，并在L2R‑OASIS脑MRI、L2R‑Abdomen CT腹部CT数据集开展实验与消融实验，验证三个核心组件对重建精度与感知质量的增益。
GL-FUSION: RETHINKING THE COMBINATION OF GRAPH NEURAL NETWORK AND LARGE LANGUAGE MODEL
内容：
本文针对现有大语言模型与图神经网络结合方案存在图结构建模不足、文本信息压缩丢失、输出模式受限的缺陷，提出GL‑Fusion深度融合框架，设计感知结构的Transformer层将GNN消息传递机制嵌入大模型Transformer，搭配图‑文本交叉注意力保留节点未压缩的完整文本信息，构建GNN‑LLM双预测器同时支持GNN并行预测与LLM自回归文本生成，采用LoRA微调主干大模型，联合优化两类预测头损失，在节点分类、知识图谱补全、常识问答、图到文本生成等多类图‑文本任务开展实验与消融，验证各组件有效性，实现综合性能提升。
扫描下方二维码，回复「特征图」
免费获取全部论文合集及项目代码
