图神经网络（GNN）+强化学习（RL），融合了GNN在图数据表示上的深度学习能力和RL在决策过程中的策略优化能力。这种结合为处理具有复杂图结构的数据问题提供了强大的工具。

GNN与强化学习的结合不仅推动了图机器学习的研究进展，还促进了新算法和模型的创新，为解决现实世界中的复杂问题开辟了新途径，在多个领域取得了显著的研究成果。

为了方便大家了解这一热点，我整理了最新的10篇【GNN+强化学习】相关论文，需要的同学添加工中号【真AI至上】 回复 GNN强化 即可全部领取。

Dynamic Fraud Detection: Integrating Reinforcement Learning into Graph Neural Networks

文章解析：

本文提出了一种新的算法ER-GNN，通过结合图神经网络和强化学习来提高金融欺诈检测的准确性。

该模型通过邻居噪声过滤、中心节点增强和关系聚合三个部分，有效解决了欺诈行为的伪装、标签不平衡和动态演化等问题。

创新点：

1.提出ER-GNN模型，结合图神经网络和强化学习进行金融欺诈检测。

2.使用强化学习动态更新中心节点权重，优化邻居采样数量和权重分配。

3.引入中心节点特征增强方法，防止邻居聚合过程中中心节点特征的丢失。

研究方法：

1.利用相似度测量的采样器对节点邻居进行采样，避免伪装关系和无关噪声数据的影响。

2.采用强化学习方法，以欺诈节点与邻居的距离为奖励标准，动态更新噪声过滤阈值和权重分布。

3.聚合不同关系下的嵌入向量，获得最终的节点嵌入表示。

研究结论：

1.ER-GNN模型在处理标签不平衡、欺诈行为伪装和动态演化方面表现出色，提高了欺诈检测的准确性和鲁棒性。

2.强化学习的有效应用使得模型能够更好地利用邻居信息，同时保持中心节点特征的重要性。

3.该模型为金融安全系统提供了一个强大的框架，适用于动态欺诈检测任务。

需要的同学添加工中号【真AI至上】 回复 GNN强化 即可全部领取。

SOLVING INTEGRATED PROCESS PLANNING AND SCHEDULING PROBLEM VIA GRAPH NEURAL NETWORK BASED DEEP REINFORCEMENT LEARNIN

文章解析：

本文提出了一种基于图神经网络和深度强化学习（DRL）的端到端方法，用于解决集成工艺规划与调度（IPPS）问题。

通过将IPPS建模为马尔可夫决策过程（MDP），并利用异构图神经网络（HGNN）捕捉操作、机器和作业之间的复杂关系，结合近端策略优化（PPO）优化调度策略，该方法在大规模IPPS实例中显著提高了解决方案的质量和效率。

创新点：

1.首次将深度强化学习应用于IPPS问题。

2.引入组合概念减少动作空间，提高探索效率。

3.通过状态转换过程剪枝已完成或不可行的操作，提高模型的稳定性和泛化能力。

4.提出基于估计完成时间的密集奖励函数，优于基于实际完成时间的稀疏奖励函数。

研究方法：

1.将IPPS问题建模为马尔可夫决策过程（MDP）。

2.使用异构图神经网络（HGNN）提取特征，生成操作-机器对。

3.采用近端策略优化（PPO）优化调度策略。

4.引入组合概念减少无效探索，提高训练效率。

研究结论：

1.提出的DRL方法在大规模IPPS实例中显著提高了解决方案的质量和效率。

2.相比于传统方法，该方法在处理超过16个作业的大规模问题时表现更优，改进率高达11.35%。

3.模型具有良好的稳定性和泛化能力，适用于各种调度环境。

需要的同学添加工中号【真AI至上】 回复 GNN强化 即可全部领取。