Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series
- Authors: Daniel Sorensen,Bappaditya Dey,Minjin Hwang,Sandip Halder
- Affiliations: IMEC
- 该论文旨在解决半导体制造过程中异常预测（anomaly prediction）的难题，尤其是面对传感器数据高维度、故障样本稀少导致的类别不平衡问题，以及变量间复杂依赖关系对异常检测与根本原因分析（root-cause analysis）带来的挑战。解决方案的关键在于构建一个两阶段的异常预测框架：首先在假设无异常 的数据集上训练预测模型，随后对未见时间序列进行预测，并将预测结果与训练信号对比，超出预设阈值的偏差即被标记为异常。两种方法分别采用:
- N-BEATS（假设变量独立）: 假设各变量之间相互独立，为每个时序数据单独预测
- 图神经网络（Graph Neural Network, GNN）建模变量间依赖关系，其中GNN在保持稳定异常预测能力的同时，显著减少可训练参数并降低计算成本，展现出优于N-BEATS的性能，具备在制造环境中在线部署的潜力。本文中的使用大体框架来源于 Graph neural network-based anomaly detection in multivariate time series 一文
Structural Invariance Matters: Rethinking Graph Rewiring through Graph Metrics
- Authors: Alexandre Benoit, Catherine Aitken, Yu He
- Affiliations: University of Cambridge, Stanford University
- 该论文旨在解决图神经网络（Graph Neural Networks, GNNs）中因 over-squashing 导致的信息传递受限问题，同时避免 graph rewiring 对关键拓扑信号的破坏。其解决方案的关键在于系统性地分析多种重连策略对图结构指标的影响，并发现：有效的重连方法应优先保留局部结构特性，同时允许全局连接性的灵活调整，从而在提升下游任务性能的同时维持结构保真度。
- 开源，benchmark/survey 类文章
MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction
- Xuan Lin,Aocheng Ding,Tengfei Ma,Hua Liang,Zhe Quan
- Xiangtan University
- 该论文旨在解决药物相互作用（Drug-Drug Interactions, DDIs）事件预测中因现有方法依赖孤立的药物表示而无法显式建模原子级跨分子相互作用的问题，从而限制了在复杂分子结构和多样化DDI类型分布下的预测效果。其解决方案的关键在于提出MolBridge框架------一个基于原子级别的联合图精炼机制，通过构建整合药物对原子结构的联合图来直接建模药物间的相互关联，并引入结构一致性模块以迭代优化节点特征并保留全局结构上下文，有效缓解长程原子依赖建模中的过平滑问题，从而提升模型在高频与低频DDI类型上的鲁棒性和可解释性。
The Temporal Graph of Bitcoin Transactions [NeurIPS 2025]
1.Vahid Jalili
2.该论文旨在解决比特币（Bitcoin）网络中由于其基于未花费交易输出（UTXO）设计所固有的伪匿名性与资金流动不透明性，导致机器学习（ML）研究难以有效利用海量交易数据的问题。解决方案的关键在于构建一个可兼容机器学习的时序异质图（temporal, heterogeneous graph），通过重建资金流向来刻画比特币经济拓扑结构，从而将原本难以解析的交易数据转化为结构化、可分析的图数据；该图包含截至指定区块高度的完整交易历史，涵盖24亿个节点 和397.2亿 条边，并配套提供定制采样方法、特征向量生成工具及专用图数据库加载与分析工具，为大规模比特币生态研究提供了坚实的数据基础与技术支撑。
- 数据集: 超大比特币时序图数据集
Other lists
- RELATE: A Schema-Agnostic Perceiver Encoder for Multimodal Relational Graphs