深度分析
SAGA 架構：以 LLM 代理人與衝突即特徵機制自動生成大規模時序圖基準
時序圖基準數據集因隱私與標註成本而稀缺。SAGA 提出「骨架優先、語意後置」架構，先以 O(1) 演算法生成冪律圖結構，再透過 LLM 代理人注入領域語意，最後以「衝突即特徵」機制自動產出異常標籤。單張 H100 可在 90 分鐘內生成 50 萬條時序邊，並支援零程式碼領域切換。
圖神經網路
深度分析
「RADAR」全自動閉環機器人資料生成平台：結合視覺語言模型與圖神經網路
隨著機器人學習需要大量物理互動資料，傳統人力收集成本高昂。研究提出 RADAR 系統，利用少量 3D 示範結合視覺語言模型與圖神經網路自動產生任務、執行並以 VQA 評估成功，最後以 FSM 完成環境自動重置。實驗顯示在模擬與實機上可達 90% 成功率，顯著提升資料取得效率。
深度分析
AutoGraphAD：基於異質變分圖自編碼器的無監督網路異常偵測新方法
隨著網路攻擊日益增多，標記資料昂貴且稀缺。研究提出AutoGraphAD，利用異質變分圖自編碼器在無標記資料下偵測異常，並以重建誤差計算異常分數。實驗顯示其偵測效能與Anomal‑E相當，訓練與推論速度分別快1.18與1.03個量級，顯著提升部署效率。
深度分析
從公開歌單推斷使用者屬性：musicPIIrate 框架與 JamShield 防護機制解析
研究指出，公開音樂歌單可被OffensiveAI工具musicPIIrate解析出使用者年齡、性別、嗜好等隱私資訊，使用圖神經與DeepSets模型提升屬性推測準確度，並提出注入虛擬歌單的JamShield防禦，可降低推論準確度約10%，顯示此攻擊對使用者隱私構成新興威脅。
深度分析
圖形基礎模型（GFM）在節點屬性預測的公平評估：PFN 方案領先但成本較高
隨著圖形資料在各產業的廣泛應用，研究針對 9 種最新圖形基礎模型在節點屬性預測上的表現進行公平重評，比較了 PFN 方案與傳統 GNN，結果顯示只有 PFN 模型在預測精度上超越調校完善的 GNN，卻伴隨較高的推論成本。此評估使用 GraphLand 基準，涵蓋金融、社群與交通等實務圖形，證實 PFN 在精度上仍領先。
深度分析
BES：透過邊界注意力模組強化 GNN 在結構噪聲下的分類表現
圖神經網路易受結構纏結影響，特別是決策邊界的節點會被無關鄰居干擾。研究提出邊界嵌入塑形（BES）模組，以自適應對比學習挑選邊界節點，僅在最小參數調整下抑制噪聲。實驗顯示在 WikiCS 上提升 GCN 分類準確率約五點，亦提升連結預測表現。此方法亦可擴展至其他圖任務，提供更穩健的表示學習。
深度分析
LLM 特徵拼接在高同質性與低同質性圖神經網路上的表現差異分析
研究發現，將大型語言模型產生的節點特徵以純拼接方式加入圖神經網路，會在高同質性資料集如PubMed與Cora上大幅降低測試準確率，下降幅度最高達17個百分點；而在同質性較低的WikiCS與ogbn‑arxiv上則可提升數個百分點。作者提出以Δsig指標預測拼接效應，並建議使用可學門控或聯合訓練等機制避免負面影響。
速報
自監督圖神經網路結合時間戳記提升入侵偵測效能
圖神經網路因能捕捉網路流量間的關係結構，在入侵偵測系統（NIDS）中被廣泛採用。然而，多數現有模型將流量視為時間上獨立的樣本，無法因應攻擊手法的演變，也因依賴有標註資料而限制了對未知攻擊的泛化能力。
深度分析
QpiGNN：雙頭架構實現圖神經網路量化無關不確定性預測區間
研究提出 Quantile‑free Prediction Interval GNN（QpiGNN），以雙頭架構與量化無關聯合損失，直接在標籤監督下優化預測區間的覆蓋率與寬度，免除傳統量化回歸的量化參數、重抽樣或後處理步驟。
深度分析
Diff‑prior：結合擴散模型的圖先驗提升神經關係推論
研究聚焦於神經關係推論中過於簡化的圖先驗問題，提出Diff‑prior以擴散模型校正編碼器的邊緣logits，提升邊緣後驗的決斷性與校準度，實驗顯示結構推論精度明顯提升。同時在多個NRI系列模型上驗證，顯著降低預測不確定性。為未來圖神經網路的可解釋性提供新方向。
深度分析
ERAlign：以能量模型對齊圖神經網路與大型語言模型表示
文字屬性圖（TAG）結合節點文本與結構資訊，ERAlign 以能量模型將 GNN 結構向量與 LLM 文本嵌入投射至共享空間，透過層級對齊與 Cramér 距離最小化降低表示漂移。實驗顯示在八個基準資料集上達到最佳表現，提升半監督與零樣本傳遞能力，同時具備高效訓練與可解釋性。
深度分析
圖神經網路球面指紋：基於隨機區塊模型的圖形嵌入與相似度檢索
研究提出將訓練好的圖神經網路透過隨機區塊模型映射至單位球面，形成低維指紋以供視覺化與最近鄰檢索，並討論高維測度集中對球面方法的限制。此方法基於圖形切距的緊緻性、Frieze‑Kannan 弱正則性引理及訊號圖形的 Lipschitz 性質，提供跨模型比對的統一框架。