图神经网络

研究人员提出MOSAIC框架，通过图结构存储、哈希加速检索和冲突检测三大创新，显著提升LLM智能体长期记忆的准确性与效率。

研究者提出ColGraphRAG方法，通过延迟交互的多向量评分机制改进多模态图检索中的视觉证据检索效果，在MultimodalQA数据集上显著提升视觉相关问题的回答准确率。

本文从图神经网络（GNN）的视角，系统梳理了基于GNN的链接预测方法，提出基于技术和应用的新型分类法，并探讨了当前面临的挑战与未来方向。

研究者提出一种显式可审计的因果推理框架，通过目标感知因果图构建策略，提升大模型在干预性问答中的推理透明度和鲁棒性。

研究者提出UniSAGE框架，通过构建全局属性图与正交参数子空间，实现静态属性与动态记录的统一建模，在多项任务中性能提升超10%。

研究者提出一种结合图神经网络工具的上下文增强提示框架，显著提升小语言模型在分子属性预测任务中的准确性，在Tox21数据集上相对改进最高达74%。

研究人员提出基于图神经网络的虚假信息检测框架，通过结合弱监督与传播图分析，有效识别Telegram平台中跨频道协调传播的虚假叙事。

研究揭示开源大语言模型群体在交互过程中，图结构反馈机制对共识形成的关键作用：相似度阈值路由会加剧群体碎片化，而桥接式路由能在保留记忆时促进共识达成。

研究者提出一种基于动态场景图注意力的框架，可同时预测交通场景中所有相关车辆的变道意图与未来轨迹，显著提升预测准确性与场景一致性。

研究人员提出PRecG新方法，通过图神经网络与修辞角色分割技术，显著提升法律判例检索的准确性与语义理解能力。该方法在印度法律数据集上验证效果优于现有技术。

研究人员提出Graph-Regularized Agentic Context Evolution（GRACE）框架，通过图结构管理智能体上下文，显著提升长期运行下的可靠性验证能力。

研究人员提出RAGP方法，将提示压缩建模为多层图上的冗余感知图剪枝，利用Lévy游走平衡局部依赖与全局语义探索，在多项任务中超越现有压缩方法。

研究人员提出一种创新的几何感知多支持异构图神经网络，通过融合点、线、面三种不同空间支持的降雨观测数据，显著提升了精细尺度降雨场重建精度。

研究人员提出Graph-PRefLexOR模型，利用图原生强化学习方法，在材料科学等领域实现可追溯的多步骤推理与假设生成，显著提升推理透明度与语义多样性。

研究者提出TAG-DLM方法，将文本推理与图消息传递统一在扩散语言模型中，通过拓扑注意力掩码实现图结构注入，仅需修改提示即可适应节点分类、链接预测等多种任务。

研究者提出GRAB架构，通过轻量级图编码器和潜在桥接技术，将关系数据高效注入冻结大语言模型，显著提升多表问答准确率。

研究团队提出图世界模型（GWM）的统一分析框架，揭示图结构演化与局部预测误差传播的关联机制，并设计误差感知训练策略以提升长程规划稳定性。

研究者提出名为G-SPIN的ASR纠错框架，通过图神经网络构建语音相似候选词图，再结合上下文语言模型进行重排序，显著提升命名实体、否定词等关键语义词的识别准确率。

研究者提出LUCID方法，首次针对大语言模型知识图谱推理框架中的幻觉问题，通过联合利用注意力分数、语义信息和图结构进行检测，在九个数据集上超越15个基线模型。