topology-aware

ReMoMask-2通过将检索直接嵌入生成器的潜在空间来改进文本到动作生成，消除表示差距，并在KIT-ML和SnapMoGen等基准测试上实现最先进的结果。

UniMate是一个统一的扩散变换器模型，能够从文本和绑定了3D资产为多样骨架生成关节运动，无需针对每个骨架进行重新训练。它利用拓扑感知注意力和一个大型精选数据集。

DART-SD提出了一种拓扑感知的检索和调优框架，用于基于LLM的工具调用代理的自蒸馏，通过仅纠正关键拓扑断点并保留有效推理来提升策略多样性。

This paper presents a topology-aware data movement orchestrator for disaggregated LLM inference, which dynamically selects optimal transport based on interconnect hierarchy and overlaps KV cache transfer with computation, achieving 3-18x transfer latency reduction over uniform RDMA.

提出了FedGAMMA，一种联邦多模态图基础学习框架，通过两阶段预训练和基于提示的微调，对齐多模态属性和图拓扑，在多个数据集上取得了显著提升。

SkillCAT是一个无需训练的LLM智能体技能自我进化框架，通过三个阶段解决单轨迹偏差、未经验证的合并和全语料库加载等问题：对比因果提取、评估增强进化和拓扑感知任务执行，在基准测试上实现高达40.40%的提升。

本文提出TopoMamSurv，一种用于全切片图像生存分析的图Mamba框架，采用拓扑感知排序解决Mamba对输入顺序的敏感性问题，并融合双向Mamba和图卷积网络（GCN）实现空间上下文建模。

TopoEvo 是一种面向微服务根因分析、感知拓扑结构且自我进化的多智能体框架，它将图表示学习与结构化、受拓扑约束的推理相结合。在多个数据集上，根因定位准确率绝对提升了 3.44%，故障类型分类性能提升了 4.39% 到 16.81%。