message-passing

提出了一种基于消息传递的双时间尺度贝叶斯深度学习框架，用于大规模MIMO系统中联合信道与记忆硬件损伤追踪。

GRAB 使用 GNN 编码器将关系表转换为潜在标记，用于冻结的 LLM，在多表问答中取得了显著的性能提升。

本文提出一种K跳高斯（KHG）扩散核，作为图神经网络的预处理模块，平衡局部和全局信息传播，以缓解过度平滑和信息瓶颈问题。实验表明，相比传统的消息传递图神经网络和现有扩散核，该方法在噪声或结构复杂的图上取得了显著改进。

本文通过证明增广生成模型的变分自由能（VFE）可以分解为预测模型的VFE加上显式熵修正项，对基于期望自由能（EFE）的规划给出了完整的变分刻画。作者推导了一种用于EFE规划的消息传递方案，并在网格世界环境中进行了验证。

提出了一种节点级频谱能量公式，用于检测图中的伪装异常，并将其扩展到具有能量驱动消息传递的时空设置。在大规模基准测试上证明了其有效性。

本文为超关系知识图谱提出了一项新任务——事实生成，并提出了KREPE，一种基于掩码离散扩散的生成式表示学习方法，该方法统一了链接预测与事实生成，达到了最先进的性能。