标签
论文提出 Heuresis，一个使用匿名模拟数据的因果发现基准，用于评估 LLM 智能体在数据驱动下进行细粒度、证据驱动的因果发现调整能力。结果显示 GPT-6.1 Sol 在全部六个数据族上超过最佳算法选择，最难族上邻接 F1 提升 14%。
DST-Net 提出一种解耦的时空网络用于时间序列预测，针对趋势和季节分量分别设计潜在图块和高斯多尺度注意力机制，以匹配各分量的内在特性并在多个基准上验证有效。
GraphDecisionBench：一个模型无关的基准，用于评估系统一模型在图结构任务上的决策能力，涵盖 14 种模型-接口配置，揭示了邻接识别准确并不等同于结构正确性等关键发现。
GraphOPD 提出首个将图结构增强引入 on-policy 蒸馏的 agent 训练方法，利用环境状态变化构建步骤依赖图并结合随机游走平稳分布进行信用分配，在 ALFWorld、WebShop、SearchQA 上较最强基线提升最高 5.8 个百分点。
论文提出了FedCORE，一种联邦自适应框架，通过共享的低维潜在状态将多模态编码器的感知与图神经网络的推理进行联合耦合，在去中心化多模态图上将编码器与GNN之间的配对差距降低了80.7%。
MOVE 是面向图学习的多模态开放世界类别验证与扩展框架，它联合利用视觉 token、文本属性和图上下文来检测未知节点，通过多模态大语言模型生成候选类别，并选择性地扩展类别空间，在未知类别识别、开放域标注和下游任务上平均提升了 11.87%。
本文提出了 HermNet，一种基于 Hermite 多项式的谱图神经网络模型，并通过理论分析与实验验证，深入探讨了其在图滤波任务中的性能表现。
本文提出一种谱连通性正则化的图学习框架（SCoGL），该框架融入拉普拉斯谱先验，以在数据稀缺时提高图恢复和图信号去噪等下游任务的性能。
该论文介绍了一种多智能体代理图学习框架（MAAGL），该框架将图划分为社区，并使用结构签名来改进图推理任务，性能优于最先进的方法。
本文研究了使用图神经网络来校正道路网络中断下连通性损失的谱先验估计，并在合成和真实世界的OpenStreetMap数据集上进行了评估。
本文提出一种图字典学习框架，该框架通过滤波拉普拉斯和最优传输距离将图表示为高斯分布，在图聚类和分类任务中实现了具有竞争力的性能。
本文提出了一种基于SLM条件的分层关系路由架构，该架构将小型语言模型集成到图神经网络中，以实现标记属性图中的自适应消息选择，通过利用上下文语义信息来提高预测准确性。
本文提出了MS-WDRO，一个多源Wasserstein分布鲁棒图学习框架，通过Wasserstein重心融合异构源数据，并最小化最坏情况风险以实现鲁棒的图拓扑推断，在图恢复和诊断效用方面优于基线方法。
本文介绍了 AutoGrable，一种无需训练 GNN 即可为表格数据评估候选图构建的方法，它使用基于 1-WL 颜色细化的标签对齐风险，从而能够以低成本搜索有效的表到图映射。
This paper proposes PairAlign, a pair-centric graph rewiring framework that uses optimal transport-guided communication alignment to alleviate over-squashing in message-passing neural networks, with theoretical analysis and experiments on standard benchmarks.
This paper introduces NodeJEPA, a joint-embedding predictive architecture for node-level graph self-supervised learning that predicts latent representations of masked structure-aware ego-subgraphs, avoiding reconstruction and hand-crafted augmentations. The method is evaluated on node classification benchmarks and shows competitive performance.
This paper systematically studies hypergraph node classification under label noise, proposing HyperTrust, a robust framework with HyperedgeBoost and HyperedgePrune modules, along with a unified benchmark for evaluating LLN and GLN methods on hypergraphs.
提出FedTCR，这是首个系统的联邦多模态图学习算法，通过拓扑感知的跨模态路由和三水平对比学习来处理任务、模态和拓扑异质性，在7个领域上优于基线方法。
本文研究了在受控分布漂移下的时序知识图谱预测，使用了一个编码重复性、同质性和周期性的合成生成器。在七种架构上的实验揭示了信号依赖的鲁棒性以及模型对结构断裂适应性方面的局限性。