深度分析
CopyCop：利用駐點不變性驗證 GNN 嵌入模型所有權
Graph Neural Network（GNN）作為嵌入服務廣泛部署後，模型被複製與抽取的風險跟著升高。CopyCop 提出一種不用修改原模型的指紋化方法：透過抽樣並比對嵌入函數的駐點（stationary points），檢測候選模型是否為以被害模型嵌入為目標訓練或經變換後的複製品。
graph-neural-networks
速報
Graph Physics：以多節點預測、時序修正與3D RoPE強化CFD機器學習替代模型
CFD替代模型常受逐節點監督與顯式時間積分限制。本研究提出三項做法：多節點預測維持空間導數一致、時間交互注意實作預測—修正取代不穩定顯式法、以及3D RoPE捕捉旋轉對稱。並在多種架構與資料集上驗證，取得一致性改善與長時程模擬精度及穩定性提升。
深度分析
Eidolon：以 k 染色、GMW 與 Fiat–Shamir 構造的後量子數位簽章
量子威脅推動後量子密碼學探索。Eidolon以k染色問題建構簽章,將GMW零知識泛化至任意k並採Fiat–Shamir與Merkle壓縮簽名;透過種植安靜染色維持圖的統計特性,在實驗規模下DSatur與GNN均未能找回秘密染色,支持組合困難作為後量子基礎。
深度分析
TravelFraudBench（TFG）：以可調難度合成圖評估 GNN 在旅遊詐騙環偵測的效能
旅遊平台詐欺呈現明確圖結構信號，TravelFraudBench（TFG）提出可控合成生成器，模擬三種旅遊詐欺環：票務星狀、旅宿幽靈雙分身、以及帳號接管點數鏈。實驗顯示GraphSAGE在節點判別與環級回收上顯著超越表格基線，強調圖結構在實務警示精準度上的決定性影響。