标签
该论文提出了 CIRCE，它利用低成本的大语言模型将问题的约束结构提取为约束图，从而在推理前预测大语言模型回答的正确性，并在七个推理基准测试中，在负对数似然（NLL）和受试者工作特征曲线下面积（AUROC）方面均优于现有基线方法。
一篇 arXiv 论文将薪资欺诈检测建模为合成人力资源（HR）/企业资源规划（ERP）图上的归纳式链接预测任务，对比了分析师规则、路径特征和图神经网络（GNN）。基于链式连接特征的梯度提升模型在链接预测平均精确率（AP）上优于 GraIL 风格的 GNN，而在标识符连接失效时，关系实体 GNN 表现最佳，这表明多跳带来的性能提升并非 GNN 所独有。
本文对图神经网络中不可约表示之间的非线性交互进行了按次数分解的分析，并提出了 Specht Triple，这是一种用于无序图三元组的残差架构。在采用冻结 GIN 骨干网络的合成基准测试中，该架构相较于参数量匹配的对照模型，将测试均方误差（MSE）降低了 11.05%。
加州理工学院的研究人员提出eSpinor，一种SU(2)等变图神经网络，通过传播旋量特征来预测分子的自旋-轨道耦合磁性质，改进了单分子磁体和MRI探针的磁各向异性及激发能预测，并能泛化到未见过的配体。
CHORD提出了一种跨模型幻觉检测（CMHD）框架，将LLM隐藏状态表示为层级-词元-特征关系图，通过关系感知注意力与元学习获得可迁移到未见目标模型的检测信号，在跨模型泛化上优于现有检测方法。
提出了 BehaveRec 三信号框架（因果会话 Transformer、90 天用户历史编码器、基于行为嵌入相似度的用户图 GraphSAGE），在 137M 条工业序列上研究长期行为历史何时真正有益于序列推荐，并得出约 20 次交互的实用部署阈值。
该论文提出 Graph-Dependent Pooling (GDPool)，一种动态决定每个图池化粒度的层级图神经网络池化方法，通过自注意力选择锚点并在金属有机框架和分子图基准上取得最佳性能。
CFBrainAug 提出一种模块度约束的反事实脑网络增强框架，将数据增强与反事实解释统一起来，在 ABIDE I 数据集上以轻量级 SVM 实现了具有竞争力的自闭症诊断精度与内在可解释性。
代尔夫特理工大学的研究人员提出了首个可扩展框架，用于对反洗钱检测中的多重图神经网络实施结构对抗攻击和对抗训练。该框架引入了基于环的正则化项，以确保扰动的合理性，并表明对抗训练能够恢复检测的鲁棒性。
该论文提出一种融合空间启发式策略的扩散强化学习方法用于在线3D装箱问题，通过启发式动作预筛、图神经网络建模空间结构以及包含平整度的复合奖励函数，提升了布局优化能力与泛化性。
本文提出 GREG（Graph Reasoning Model），它通过 GNN 和 Graph Transformer 计算可学习的、置换等变的图位置编码来增强语言推理模型，从而无需将图序列化为文本描述，并将上下文复杂度降低至 O(N)。该模型在小图上训练后，能够泛化到包含多达 1,000 个节点的大规模图，同时对节点重编号保持鲁棒性。
本文首次将建筑的 Brick schema 模型生成构建为知识图谱补全问题，对比了梯度提升树、Pairwise Brick Relation Ranking 和 CompGCN 在 feeds、hasPart、hasPoint 等关系上的表现。CompGCN 在留出建筑上表现最佳，但没有一种方法能在不同数据集和关系上普遍泛化。
RGH-GNN 提出一种风险门控的异构图神经网络，将 LightGBM 生成的交易级风险分数作为边权重引导消息传递，以提升金融欺诈检测性能，在 IEEE-CIS 数据集上取得 0.914 的 AUC-ROC 并超越所有基线。
论文提出了SPEM，一个面向LLM智能体的结构感知程序性记忆框架，将原子技能记忆与Skill-DAG模板及Skill-GNN检索相结合，在ALFWorld上取得87.1%的成功率，在SkillsBench上获得38.38%的奖励，同时降低了token消耗和运行时开销。
HierDTA 是一个层次结构感知的药物-靶点亲和力预测框架，将药物表示为原子-基团异构图并结合蛋白质残基交互图与交叉注意力机制，在 Davis 和 KIBA 数据集上取得领先性能，并在冷启动场景下展现出良好泛化能力。
该论文证明多项式图滤波器（线性消息传递与谱图网络的核心）在长程伊辛模型基准上存在无法通过提高阶数消除的误差下界，并提出分层步长滤波器与膨胀卷积网络，显著超越已发表的最佳结果。
该论文提出 GCRN+（图卷积循环网络），利用稀疏固定传感器（仅覆盖 15.6% 路段）结合历史探针车数据监督，在达拉斯-沃思堡高速网络上实现全网当前及未来一小时车速的估计与预测，性能显著优于历史均值及 STID、STAEformer 等基线模型。
该论文提出一种事后诊断方法：冻结已训练的GNN并在每层拟合线性探针，通过层间探针熵轨迹区分有益、中性与有害平滑，并分离异质性结构失配与过度深度过平滑两类失效模式。
O-kRystal是一个周期性E(3)等变图神经网络，学习超出DFT的电子态修正，在近6,000种材料上实现HSE06能带预测、二维体系中的G0W0准粒子能量预测，以及在强关联材料上将能带能量MAE降低68.7%。
论文提出 FireGraphNet，将12小时野火蔓延预测建模为有向 H3 图上的节点分类任务，在加州测试火灾上平均精度达到最强距离基线的1.7–1.9倍，并分析了图消息传递对预测能力的贡献。