标签
该论文重新评估了基于LLM的文本属性图节点分类方法，发现其相对简单基线（如Correct & Smooth、MLP）的报告优势往往很小，并记录了测试集调参、标签泄漏等评估风险。
EDiS 提出一个边缘不相交子图稀疏化框架，将一次性结构提取与逐轮图组合分离，从而在降低 GNN 稀疏化训练开销的同时保持拓扑多样性，并在 19 个基准上取得最佳平均成绩。
本文介绍了一种通过精确质量线性规划和事后修复分离错误原因，从而修复训练过的Graph Neural Networks中的读出的方法，并通过重新加权和集合条件翻译实现准确性提升。
本文提出了一种用于图神经网络的变分贝叶斯最后层方法，以在分布偏移下进行在线节点分类，与基线相比，在准确性和不确定性校准方面表现优异。
HERALD 引入了一个无梯度图压缩框架，该框架根据测量到的异配性自适应选择节点和特征，在基准数据集上实现了具有竞争力的性能。
本文提出了一种基于逻辑的框架，用于从Simple Graph Convolution网络中提取全局逻辑规则，利用最小溯因解释，旨在为图神经网络中的节点分类提供紧凑且忠实的解释。
本文提出了MSB-GFM，一种用于跨领域多标签节点分类的多语义基图基础模型，通过将节点表示为语义基的自适应组合来解决语义纠缠问题。
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.
本文介绍了一种用于符号有向图的非线性拉普拉斯算子（NLSD）和一个谱图神经网络框架（NLSD-GNN），通过使消息传递与边的方向对齐，在节点分类和链接预测任务上取得了优越的性能。
提出ACE，一种即插即用的方法，通过重构节点特征并应用各向异性正则化，自适应地增强异质性图上的基于粗化的GNN训练，在异质性基准测试上取得一致提升且开销极小。
本文介绍了SALT-GNN，一种统计感知的图神经网络架构，它将度感知的统计聚合与注意力机制相结合，以处理反洗钱图中的稠密邻域，在稠密接收方上下文中以更少的参数实现了改进的F1分数。
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。
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。
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。
KG-Guard是一个轻量级的基于图的框架，用于检测基于LLM的知识库问答中的幻觉。它将LLM视为黑盒，使用图编码器与MLP分类器来识别幻觉答案节点，在参数少得多的前提下优于基线方法。
提出DDGAD，一种基于扩散的图异常检测框架，利用轨迹动力学区分正常节点与异常节点，通过可靠性感知的一致性机制和三种互补的异常信号缓解污染传播。
本文介绍了传导锐化（TS），一种用于半监督节点分类的损失级修改，它最小化无标签节点上的预测熵，同时平衡有标签节点的效果，在不改变架构的情况下实现一致的性能提升。
本文介绍了HAAM，一种用于多重图中节点分类的新方法，能够适应不同维度上的同质性和异质性交互。它使用维度特定的兼容性矩阵以及通过切比雪夫多项式近似的可训练低通和高通滤波器的乘积，来捕捉信号的平滑和突变变化。