深度分析
OpenRTAG 推出 3×3 劣化測試場：圖學習模型在資料品質崩壞下的真實能耐
文本屬性圖（TAG）學習在學術網路、社群平台、電商系統等領域應用廣泛，但真實世界的 TAG 常因文本稀疏或雜訊、結構缺失或干擾、標籤不均或錯誤而品質低落。現有研究多聚焦單一劣化類型，缺乏統一基準。
圖神經網路
深度分析
mHC-GNN：以流形約束超連接突破圖神經網路深度極限
圖神經網路因過度平滑與 1-WL 表達力限制而難以加深。mHC-GNN 將節點特徵擴展為多條平行流，並以 Sinkhorn-Knopp 正則化約束流混合矩陣至雙隨機空間。理論證明過度平滑速率從 (1−γ)^L 降至 (1−γ)^(L/n)，且能區分超出 1-WL 的圖。在 10 個資料集上，128 層時仍維持 74% 準確率，極深層改善逾 50 百分點。
深度分析
SAGA 架構：以 LLM 代理人與衝突即特徵機制自動生成大規模時序圖基準
時序圖基準數據集因隱私與標註成本而稀缺。SAGA 提出「骨架優先、語意後置」架構，先以 O(1) 演算法生成冪律圖結構，再透過 LLM 代理人注入領域語意，最後以「衝突即特徵」機制自動產出異常標籤。單張 H100 可在 90 分鐘內生成 50 萬條時序邊，並支援零程式碼領域切換。
深度分析
「RADAR」全自動閉環機器人資料生成平台：結合視覺語言模型與圖神經網路
隨著機器人學習需要大量物理互動資料，傳統人力收集成本高昂。研究提出 RADAR 系統，利用少量 3D 示範結合視覺語言模型與圖神經網路自動產生任務、執行並以 VQA 評估成功，最後以 FSM 完成環境自動重置。實驗顯示在模擬與實機上可達 90% 成功率，顯著提升資料取得效率。
深度分析
AutoGraphAD：基於異質變分圖自編碼器的無監督網路異常偵測新方法
隨著網路攻擊日益增多，標記資料昂貴且稀缺。研究提出AutoGraphAD，利用異質變分圖自編碼器在無標記資料下偵測異常，並以重建誤差計算異常分數。實驗顯示其偵測效能與Anomal‑E相當，訓練與推論速度分別快1.18與1.03個量級，顯著提升部署效率。
深度分析
從公開歌單推斷使用者屬性：musicPIIrate 框架與 JamShield 防護機制解析
研究指出，公開音樂歌單可被OffensiveAI工具musicPIIrate解析出使用者年齡、性別、嗜好等隱私資訊，使用圖神經與DeepSets模型提升屬性推測準確度，並提出注入虛擬歌單的JamShield防禦，可降低推論準確度約10%，顯示此攻擊對使用者隱私構成新興威脅。
深度分析
圖形基礎模型（GFM）在節點屬性預測的公平評估：PFN 方案領先但成本較高
隨著圖形資料在各產業的廣泛應用，研究針對 9 種最新圖形基礎模型在節點屬性預測上的表現進行公平重評，比較了 PFN 方案與傳統 GNN，結果顯示只有 PFN 模型在預測精度上超越調校完善的 GNN，卻伴隨較高的推論成本。此評估使用 GraphLand 基準，涵蓋金融、社群與交通等實務圖形，證實 PFN 在精度上仍領先。
深度分析
BES：透過邊界注意力模組強化 GNN 在結構噪聲下的分類表現
圖神經網路易受結構纏結影響，特別是決策邊界的節點會被無關鄰居干擾。研究提出邊界嵌入塑形（BES）模組，以自適應對比學習挑選邊界節點，僅在最小參數調整下抑制噪聲。實驗顯示在 WikiCS 上提升 GCN 分類準確率約五點，亦提升連結預測表現。此方法亦可擴展至其他圖任務，提供更穩健的表示學習。
深度分析
LLM 特徵拼接在高同質性與低同質性圖神經網路上的表現差異分析
研究發現，將大型語言模型產生的節點特徵以純拼接方式加入圖神經網路，會在高同質性資料集如PubMed與Cora上大幅降低測試準確率，下降幅度最高達17個百分點；而在同質性較低的WikiCS與ogbn‑arxiv上則可提升數個百分點。作者提出以Δsig指標預測拼接效應，並建議使用可學門控或聯合訓練等機制避免負面影響。
速報
自監督圖神經網路結合時間戳記提升入侵偵測效能
圖神經網路因能捕捉網路流量間的關係結構，在入侵偵測系統（NIDS）中被廣泛採用。然而，多數現有模型將流量視為時間上獨立的樣本，無法因應攻擊手法的演變，也因依賴有標註資料而限制了對未知攻擊的泛化能力。
深度分析
QpiGNN：雙頭架構實現圖神經網路量化無關不確定性預測區間
研究提出 Quantile‑free Prediction Interval GNN（QpiGNN），以雙頭架構與量化無關聯合損失，直接在標籤監督下優化預測區間的覆蓋率與寬度，免除傳統量化回歸的量化參數、重抽樣或後處理步驟。
深度分析
Diff‑prior：結合擴散模型的圖先驗提升神經關係推論
研究聚焦於神經關係推論中過於簡化的圖先驗問題，提出Diff‑prior以擴散模型校正編碼器的邊緣logits，提升邊緣後驗的決斷性與校準度，實驗顯示結構推論精度明顯提升。同時在多個NRI系列模型上驗證，顯著降低預測不確定性。為未來圖神經網路的可解釋性提供新方向。