深度分析
CID‑TKG：協同學習歷史恆定與演化動態於時序知識圖譜推理
時序知識圖譜推理面臨長期結構與短期變化的雙重挑戰。CID‑TKG 同時建構歷史恆定圖與演化動態圖，分別編碼長期規律與短期轉換，並以對比學習對齊視圖查詢。實驗證明該框架在外推任務上取得最佳表現，顯示協同學習能有效提升預測準確度。
圖神經網路
深度分析
協調式線上行為偵測與特徵化：圖神經網路與因果推論的全方位調查
隨著社群平台成為協調行為的主要舞台，研究者開始針對其偵測方法進行系統整理。本文提出統一框架，比較圖神經網路、時間序列與因果模型等技術，並指出資料稀疏與跨平台追蹤是主要瓶頸。結果顯示，結合多模態特徵可提升偵測精度，未來有望改善資訊操控與仇恨言論的治理。
圖神經網路
圖神經網路結合深度強化學習於能源感知雲端排程的 DAG 拓撲分析
研究聚焦於雲端排程中工作流程 DAG 的能源感知問題，提出結合圖神經網路與深度強化學習的排程器。實驗顯示，當訓練與部署環境的圖結構不一致時，排程器性能顯著下降，原因在於訊息傳遞受阻與策略泛化失效。此結果突顯現有 GNN 排程方法在分布轉移下的限制，需開發更魯棒的圖表示。
深度分析
GNN-as-Judge：結合圖神經網路與大型語言模型的少樣本圖學習框架
隨著大型語言模型在文字屬性圖上展現語意優勢，標記稀缺仍限制其預測效能。GNN-as-Judge 透過圖神經網路的結構偏置，採用協同偽標籤與弱監督微調，產出更可靠的標籤並抑制噪聲。實驗證明在低資源情境下，其表現顯著優於既有方法，提升圖學習的可用性。