标签
本文提出了一个全面的基准，用于评估图神经网络中的对抗攻击与防御，强调了需要标准化和公平的实验协议。
本文介绍了一个统一的基准测试，旨在评估图神经网络在基于文本构建的噪声知识图谱上的鲁棒性，以及生物医学领域图构建方法的有效性。
本文介绍了 NATD-GSSL 框架，用于评估图自监督学习在含噪声的文本驱动生物医学图上的鲁棒性。研究表明，尽管存在现实世界的噪声，某些 GNN 架构和 pretext tasks（辅助任务）仍能保持性能，为在不完美数据集上进行无监督学习提供了实用指导。
本文提出了节点-边策略分解（NEPF）方法，以解决多重图上车辆路径问题（VRP）的可扩展性难题。该方法结合了预编码边聚合与分层强化学习，在加快训练和推理速度的同时，实现了最先进的求解质量。
本文介绍了 CopyCop，这是一种用于验证图神经网络所有权的算法，即使模型在架构、权重或输出变换上存在差异，它也能检测出代理模型。
MSR-MEL 提出一种无监督框架，利用大语言模型对多视角证据进行合成与推理，实现多模态实体链接，在标准基准上全面超越既有方法。
LLMSniffer是一个检测框架，通过监督对比学习微调GraphCodeBERT来区分AI生成的代码和人工编写的代码，在GPTSniffer和Whodunit基准测试上分别达到78%和94.65%的准确率。该方法通过结合代码结构感知嵌入、对比学习和注释移除预处理，解决了学术诚信和代码质量保证方面的关键挑战。
# 论文页面 - HSG：双曲场景图 来源：[https://huggingface.co/papers/2604.17454](https://huggingface.co/papers/2604.17454) 在你的 agent 中获取这篇论文：`hf papers read 2604\.17454` 还没有最新的 CLI？`curl \-LsSf https://hf\.co/cli/install\.sh \| bash` ## 引用本文的模型0 暂无模型关联此论文 在模型的 README.md 中引用 arxiv\.org/abs/2604\.17454，即可从此页面链接到它\. ## 引用本文的数据集0 暂无数据集关联此论文 引用 arxiv\.org/abs/2604\.