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。
圖神經網路
深度分析
量子神經網路結合模糊系統：新世代混合式知識本體架構
隨著大型語言模型與知識圖譜的結合需求提升，研究提出以量子神經網路與模糊邏輯結合的混合系統，能同時支援機率與精確推理，實驗顯示在多模型路由與知識本體擴充上提升效能。此方法亦提供了在開放式問答與封閉式測試中更緊湊的錯誤發現率控制，預示未來知識表示可兼顧彈性與嚴謹。
深度分析
圖神經網路結合神經切線核實現分散式圖演算法的精確學習
研究探討圖神經網路在有限度與有限精度下精確學習圖演算法。透過訓練多層感知器集合執行單節點本地指令，再於推論時作為GNN更新函式。在有界度與有限精度條件下，僅需線性規模的本地指令資料，即可於推論時以O(L)迭代正確執行，成功機率高。證實可無誤執行訊息洪水、BFS、DFS與Bellman‑Ford。
速報
AttackPathGNN：以圖神經網路解析 Solidity 合約攻擊路徑
現有的 Solidity 合約漏洞偵測大多只對單一函式做語法比對，卻忽略了跨函式的攻擊關係。研究團隊提出 AttackPathGNN，利用狀態干擾圖將共享可變儲存的函式以加權有向邊連結，並以五條件謂詞定義重入路徑。
深度分析
TN‑SHAP‑G：利用圖形結構張量網路高效計算 Shapley 值與高階互動指標
研究針對圖形資料的模型解釋提出TN‑SHAP‑G框架，利用圖結構對齊的張量網路壓縮指標表，僅需少量查詢即可確定Shapley值與高階互動指標，實驗顯示在分子基準上與精確值0.99以上相似，且查詢量比抽樣方法低十至百倍。此方法亦適用於其他圖形預測任務。
深度分析
以 I/O 為導向的 GPU 核心優化：加速圖神經網路的 SpMM、聚合與注意力層
隨著圖神經網路在推薦與詐欺偵測等領域的應用擴大，記憶體存取瓶頸限制效能。研究者以I/O與算術強度為核心，將常見層分為SpMM、聚合與注意力三類，開發減少資料移動的GPU核心。實驗顯示注意力層最高可提速8.5倍，記憶體需求降低至6倍。聚合層可達10倍加速，SpMM層在快取優化下提升至8倍，圖重排僅對高階節點密集情境有顯著效益。
TEMG-TTA
TEMG‑TTA：結合時序模體與測試期適配的區塊鏈交易圖異常檢測
近年區塊鏈交易模式快速變動，導致異常檢測面臨分布偏移問題。本文提出TEMG-TTA，結合時序三節點模體表示與測試期適應機制，共享訓練與測試間通用模式。方法透過高效模體配對降低計算複雜度並結合教師-學生正則化與可信節點選擇以減緩分布干擾。實驗顯示比先進方法平均提升54.88%。
速報
對齊拓撲×圖神經網路：以結構化對齊檢測大型語言模型幻覺
研究指出大型語言模型偏重生成合乎分配的後續文本而非驗證與來源是否一致。本研究提出以對齊拓撲構建參考與輸出之二分圖，並用圖神經網路透過訊息傳遞學習對齊結構。實驗在四組幻覺與問答資料集上達到最新領先表現。其方法優於包括GPT-4o在內的現有比較方法。
LM-GNN
LM-GNN：以 BART + GraphSAGE 建構關聯式資料庫基礎模型
關聯式資料庫保存大量結構化資訊，但深度學習在多表關聯資料上的進展仍受限。本文改寫並報導一篇研究，提出一種輕量級的 LM-GNN 混合架構：先用微調的 BART 編碼器擷取列級語意，再以 GraphSAGE 型 GNN 在關聯實體圖（REG）上進行訊息傳遞以注入關聯上下文。
速報
注意力導向圖神經網路全覽：從圖遞迴注意到圖形轉換器
圖神經網路致力於在低維空間保留拓撲結構以供下游任務使用。本文聚焦注意力機制在圖神經網路的三階段演進：圖遞迴注意、圖注意力網路與圖形轉換器，並逐一比較架構優劣。綜述整理模型特性表並提出未來議題，提供研究者最新參考。並維持中立比較各法優缺點以利後續應用選擇。
深度分析
ASPECT：節點級光譜門控與對抗式光譜對比學習提升圖神經網路穩健性
圖學習面對同質與異質結構挑戰，高頻訊號雖能表徵異質邊界卻對頻譜集中型擾動高度敏感並放大變異。ASPECT提出節點級光譜門控與對抗式優化，透過Rayleigh商懲罰迫使編碼器放棄不可靠頻帶並動態重權頻段。實驗在九個基準資料集上展現整體領先並強化對投毒攻擊之穩健性。
深度分析
圖形世界模型（GWM）概述：結合空間、物理與邏輯關係歸納偏置的 AI 技術
隨著傳統世界模型在噪音敏感、誤差累積與推理不足等方面受限，研究者開始以圖結構分解環境，注入空間、物理與邏輯的關係歸納偏置，形成圖形世界模型。此類模型在提升長期規劃精度、減少噪音影響以及支援因果推理方面展現出顯著優勢，預計將推動機器人與自動駕駛等領域的技術升級。