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。
LM-GNN
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。
深度分析
本研究針對Elliptic比特幣交易資料集重新檢視圖神經網路評估流程。採用嚴格誘導式訓練並逐步報告每時間步表現，對比GraphSAGE、GAT、GCN與基於特徵的Random Forest與MLP。結果顯示在無洩漏的設定下，原始165維特徵與RandomForest勝過多數GNN，圖結構在資料稀疏且先驗轉移下甚至負面影響預測。作者釋出程式碼、檢查點與十種子實驗結果，供未來在無洩漏基準上檢驗與復現。