标签
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。
该论文提出了标签影响传播（LIP）模型，该模型在图中分析和传播标签影响，用于多标签节点分类，在多种设置下持续优于现有最先进方法。
提出SAOT，一种用于自监督持续图学习的结构感知最优传输框架，能够跨任务保留关系结构。在多个基准测试中相较于现有最佳方法取得了显著性能提升，其中在Products-CL上改进幅度高达15%。
TAG-DLM 在一个掩码扩散语言模型中统一了文本推理与图消息传递，使得能够在节点分类和链接预测任务中联合推理文本与图拓扑。
本文介绍了GRAFT，这是一个精心整理的多模态数据集，将拟南芥的基因表达谱与表型性状关联起来，并提供了用于表型预测的图和超图基准。其目标是推动植物生物学中基因组到表型组的映射研究。
提出了DCQ-GNN，一种谱图神经网络，它使用一组紧凑的自适应凸-凹二次滤波器来提高谱选择性，而无需高阶多项式，在同质性和异质性图上均取得了有竞争力的结果。
本文介绍了FedEPD，一个用于长尾数据分布下联邦图学习的框架。它采用能量引导的双解耦方法，将拓扑纯化与语义重校准分离，在基准测试中实现了最先进的性能，准确率提升高达4.97%。
FoundCause 是一种摊销式因果关系发现模型，能够显式处理潜在混杂因素和缺失数据，在真实数据集上通过单次前向传播即可超越15种现有方法。
本文提出LLM-GNN协同教学（LLM-GNN Co-Teaching），一种面向文本属性图的小样本图学习的双向框架。LLM和GNN交换高置信度的伪标签，并利用基于轮次的偏好优化（RPL-PO）相互改进，在基准测试上优于先前方法。
本综述回顾了大型语言模型在图计算中的应用，将其分为两种范式：LLM作为执行器和LLM作为规划器。研究发现，LLM在简单任务上表现良好，但在大规模精确计算方面不可靠，并提出了未来方向。
本文分析了大型语言模型在图语言模型（GLM）中如何内部处理图标记，发现激活层面的显著性与图语义效用之间存在解耦。图汇点标记作为激活异常值出现，但并非图结构的主要载体，揭示了当前图标记构建和对齐机制的局限性。
本文提出了一种图学习辅助的优化方法，用于设计捕获空间碎片的主动系绳网系统。通过使用图神经网络推荐候选设计方案，将混合组合非线性规划简化为标准非线性规划问题，从而加快收敛速度。
本文介绍了 GraphReAct，这是一个将推理与行动范式扩展到图结构数据以进行多步推理的框架。它结合了拓扑检索、语义检索以及上下文精炼，以提升在图学习基准测试上的性能。