#GNN

这篇论文做反欺诈的同学可以看看：Evi-VN 不再造新检测器，而是专门修正各种 GNN 都会误判的那批难样本，还用上了文本、图像、音频证据。

把 GNN 的几何信息蒸馏进普通 MLP，推理不用图也能保住精度，做图机器学习部署的可以看看

一篇讲可解释图学习的新论文，核心是用稀疏传播干掉二次复杂度，百万节点规模的图也能跑，还保住解释的忠实度，做 GNN 可解释性的朋友可以看看。

做图神经网络的可以看看：一个表示同时搞定校准、OOD 检测和分布偏移，14 个基准 Brier score 最低，不用再各训练一个模型。

一篇硬核优化论文：用 GNN 加 Cholesky Update 求动态图上的硬约束问题，迭代少了 85%，速度最高快 7 倍多，做电力或管网调度的朋友可以看看。

清华团队用强化学习发现量子电路，在器件建模上误差降低59-84%，比6个经典方法都好。

研究人员用GNN从sub-6 GHz CSI学习毫米波波束成形，比传统方法性能更好，训练开销更低。

这篇论文对比了不同LLM在信用风险解释中的表现，发现证据表示比模型选择更重要，对金融AI应用很有参考价值。

多模态RAG老是丢细节？DualG-MRAG用双图分工解决，召回更准、复杂QA更强。

想给稀疏矩阵求解提速的话，这篇论文把AMG层级和图神经网络结合了，在800多个矩阵上实测，可以看到它什么时候比AMG好、什么时候反而更慢。

FICE这个新模型，不用重训练就能用在没见过的知识图谱上，基数估计误差比之前最好的还低一半多，而且速度快到亚毫秒。

这篇文章用加噪声的办法治GNN过平滑，从数学上给你保证不塌缩，还和残差连接、归一化这些老办法做了对比。

这篇论文提出了GUIDED层，让GNN模型能跨城市迁移做交通分配，训练还快了一半，不是画饼。

这篇论文把GNN在数据分布变了之后到底准不准、慌不慌讲透了，还给出了一个不用标签的校准方法STAC，做图模型部署的值得一看。

这篇论文从理论上分析了图信号生成流模型的结构扰动稳定性，还给了个实用的正则化训练方法，在fMRI等真实数据上验证有效。

这篇论文把化学描述和分子结构分开建模再相加，既准确又能解释预测依据。在AqSolDB和BigSolDB2上效果很好，适合医药研发。

这篇论文给出了一个让GNN和LLM真正协作的新思路——用图结构信息去构造提示词，再反过来优化图模型。实验扎实，覆盖6个数据集，比现有融合方法都强。

这篇论文帮你打破了GNN和GFM的迷雾：实测9个模型，发现只有Prior-data Fitted Networks那类才真能打，但代价是推理更慢。想搞清楚哪些图模型值得用就看它。

做图神经网络训练或推理的开发者，可以直接用这些内核替换现有层，无需改模型结构就能获得数倍加速和大幅内存节省，值得一试。