圖神經網路

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。

速報

以圖神經網路強化多代理通訊：GNN 通訊流程綜述

多代理強化學習依靠通訊機制協調行為並改善協作效率與收斂表現。許多方法以互動圖表述關係，並用圖神經網路學習消息傳遞，讓代理互補表徵與決策。本文綜述近期研究並提出一套泛化的GNN通訊流程，旨在統一概念並便於比較不同做法。該流程抽象化通訊步驟，有助於辨識設計選擇與方法限制。

速報

表型驅動的知識圖譜發現：結合圖神經網路、因果推論與大型語言模型

知識圖譜常只還原既有關係。本研究以表型驅動流程結合圖神經網路、因果與機率推理，以及大型語言模型生成假設並抽取主張，以多目標優化與Pareto挑選平衡驗證與新穎性。實驗在檢索增強下達成Recall@5=0.98並降低幻覺率，並能揭示情境化因果結構，提升可解釋性與科學檢驗價值。

深度分析

CodaRAG：以互補學習驅動的關聯檢索框架重構知識鏈結

大型語言模型在知識密集任務上易產生幻覺，CodaRAG 以互補學習為靈感，將檢索從被動查找轉為主動關聯，透過知識整合、關聯導航與干擾消除三階段重建證據鏈。實驗顯示其召回率提升 7‑10%、生成準確度提升 3‑11%，顯著提升模型的事實推理能力。

深度分析

FedRio：個人化聯邦式社交機器人偵測與協同對抗式對比蒸餾框架

隨著社交平台惡意機器人威脅升高，現有偵測模型多在單平台孤立開發，缺乏跨平台知識共享。FedRio 透過自適應圖神經網路、生成對抗知識萃取與多階段對抗式對比學習，實現特徵空間一致與模型參數自適應聚合。實驗證實其在偵測精度、通訊效能與隱私保護上均優於現行聯邦基線。

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。

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。