特征融合这样创新！与GNN结合顶天，一区TOP刊如囊中物！

在处理具有复杂关系结构的数据时，为增强模型的表示能力和预测性能，我们考虑 特征融合+GNN 。优势在于能整合多种特征信息，并通过GNN捕捉节点间的复杂关系，尤其适合医疗数据分析、情感识别等应用场景。

这结合也是 当前研究的热门方向之一 ，双热点叠Buff，加上数据驱动优势（适用于非欧数据，覆盖场景广，有实验对比优势），关注度自然水涨船高，顶会顶刊成果已然不少。比如一区TOP刊IEEE TC上的基于GNN的时频双流网络，表现超越了SOTA。

为方便感兴趣的同学找创新点，本文整理了 10篇 特征融合+GNN新论文（有代码） ，也推荐论文er从模型架构优化（方法层面）、应用场景扩展（应用层面）、理论解释性（理论层面）这几点切入。

扫码 添加小享，回复“ 特征图 ”

免费获取 全部 论 文+开源代码

A Graph-Based Time–Frequency Two-Stream Network for Multistep Prediction of Key Performance Indicators in Industrial Processes

方法： 本文提出了一种基于GNN和时间-频率双流网络的多步预测模型，用于工业过程中的关键性能指标（KPI）预测。该方法通过多图注意力层（Multi-GAT）建模过程变量之间的动态耦合关系，并利用时间-频率双流网络分别提取时间域和频率域特征。

创新点：

• 提出了一种双流网络框架，从复杂的工业数据中提取辨别性和信息丰富的时频特征。
• 构建了多图注意力层，以建模因工业过程的时变特性而引起的过程变量之间的动态复杂耦合关系。
• 提出了最小冗余与最大相关性（MRMC）学习范式，用于有效整合时频特征，增强融合特征的表示能力。

GraphTransfer: A Generic Feature Fusion Framework for Collaborative Filtering

方法： 本文提出了GraphTransfer，一个基于GNN的特征融合框架，用于协同过滤任务。它通过图特征提取模块和辅助特征提取模块分别获取图特征和辅助特征，再利用交叉融合模块将两种特征有效结合，提升推荐性能。

创新点：

• 提出了一种基于图神经网络的通用特征融合框架GraphTransfer，该框架通过精心设计的交叉融合模块，以“学会融合”的方式有效融合图特征和辅助特征。
• 设计了一个基于图卷积网络的辅助特征提取模块，有效地从用户-用户和物品-物品交互图中学习用户和物品的辅助特征。

扫码 添加小享，回复“ 特征图