图谱动态｜学苑周刊 NO.203

Graph+AI 白皮书

近日由蚂蚁集团和之江实验室牵头，依托全国智能计算标准化工作组图计算研究组制定的《Graph+AI：大模型浪潮下的图计算》白皮书正式发布。该白皮书聚焦图计算技术与人工智能（AI）技术在大模型时代的融合与创新应用，分析了大模型技术兴起所带来的新机遇与挑战，探讨了图计算与AI如何在数据、算法、应用层面相互补足。白皮书还系统梳理了图数据处理、图神经网络、图基础模型、知识图谱工程、Text2GQL、GraphRAG等图计算与人工智能结合的关键技术，企业智能决策、图安全风控、知识增强生成等图计算与人工智能结合解决方案，以及图计算与人工智能在能源、金融、电商、科学研究等众多领域的结合应用案例，以期为学术界和产业界提供参考。

—--| 会议讲座 |--—

2024 第八届自然语言处理与信息检索国际会议

计算机工程的进步使人类可以通过书面或口头方式以自然语言与机器互动。与此同时，大数据库和万维网中可用的（文本）数据量正在迅速增长。这两项发展都为创新算法的开发带来了新的挑战，这些算法不仅可以识别语音，还可以在短时间内对文本信息进行分类和分类，以及从一大堆未经评估的原始数据中提取知识和智慧。

在这种情况下，2024 第八届自然语言处理与信息检索国际会议 （NLPIR 2024） 将于 2024 年 12 月 13 日至 15 日在日本冈山举行。

详情请访问：

https://www.nlpir.net/

本周推荐的是arxiv 2024上的论文：Attending to Graph Transformers，该文综述了graph transformer架构的分类体系，概述了它们的理论性质、结构编码和位置编码。作者来自亚琛工业大学计算机科学系，Intel人工智能实验室，以及同构实验室。

最近，作为机器学习与图形的传统技术（如（消息传递）图神经网络）的一种替代方案，graph transformer体系结构应运而生。到目前为止，它们展现出有希望的实证结果，例如在分子预测数据集上，这通常被归因于它们能够规避图神经网络的缺点，如过度平滑和过度压缩。在这里，作者导出了一种graph transformer体系结构分类，为这一新兴领域带来了一些秩序。作者概述了它们的理论特性，调查了结构和位置编码，并讨论了对重要图形类别（例如3D分子图）的扩展。从实证上，作者探讨了graph transformer如何恢复各种图形属性，它们如何处理异质图，以及在多大程度上防止过度压缩。此外，作者概述了未来工作的开放挑战和研究方向。作者的代码可在https://github.com/luis-mueller/probing-graph-transformers获取。

该文综述的脉络如下：

该文源代码、数据和其他材料已在https://github.com/luis-mueller/probing-graph-transformers.上提供，感兴趣的读者可以关注。