ICML2026 图学习论文解读论文笔记图神经网络 LLM 扩散模型推理异常检测问答

🕸️ 图学习¶

🧪 ICML2026 · 35 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (8) · 🔬 ICLR2026 (118) · 💬 ACL2026 (24) · 🤖 AAAI2026 (37) · 🧠 NeurIPS2025 (54) · 📹 ICCV2025 (1)

🔥 高频主题： 图神经网络 ×5 · LLM ×4 · 扩散模型 ×3 · 推理 ×3 · 异常检测 ×3

Aitchison Embeddings for Learning Compositional Graph Representations: 本文提出 AICoG，将节点表示为 simplex 上的潜在原型混合，并用 Aitchison 几何与 ILR 等距坐标学习图嵌入，在保持与欧氏 latent distance model 同等表达力的同时，让节点角色相似性具有基于相对比例 trade-off 的内生解释。
An Approximation Algorithm for Graph Label Selection: 这篇论文首次在不放宽标注预算的设定下，为 Graph Label Selection 给出 \(\tilde{O}(\log^{1.5} n)\) 近似算法，并通过树割稀疏化、流判定和树上动态规划把原本全局耦合的选点问题变成可求解的组合优化流程。
Anchor-guided Hypergraph Condensation with Dual-level Discrimination: AHGCDD 把超图凝聚 (HGC) 从"先训练结构生成器、再匹配训练轨迹"的解耦范式重写为端到端框架：用 Heat-Kernel-PageRank 把结构信息塞进初始化特征、用 anchor-guided 思路按特征距离合成稀疏可学的超边，再用粗+细双级判别损失 (类原型 MMD + 实例级对比) 代替昂贵的 HNN 重训练，在 5 个超图基准上 ≥SOTA 同时最高 144× 加速。
Are Common Substructures Transferable? Riemannian Graph Foundation Model with Neural Vector Bundles: 这篇论文把图预训练中的“可迁移公共子结构”重新定义为表示空间中的行为不变性，并用神经向量丛、门控几何展平和 Dirichlet 损失构建 Gauge，使图模型在跨域少样本迁移、零样本链路预测和图同构任务上获得更强的结构泛化能力。
Beyond Model Base Retrieval: Weaving Knowledge to Master Fine-grained Neural Network Design: 提出 M-DESIGN 框架，将神经网络设计建模为检索增强的迭代修改过程，通过构建修改-增益图编码细粒度架构编辑效果，并利用贝叶斯动态任务相似度在线校准迁移信号，在 33 个 GNN 任务中的 26 个达到设计空间最优。
Deep Neural Sheaf Diffusion: 本文指出 Neural Sheaf Diffusion (NSD) 在深层会因 sheaf Laplacian 的"分歧信号"随扩散收敛而消失，从而失去理论上保证的抗坍缩能力；DNSD 用 sheaf 邻接算子替代 Laplacian，并配合 LayerNorm、奇函数激活与逐 stalk 门控，使 sheaf 架构第一次能稳定堆叠到 16 层，在合成长程任务上比 GNN/NSD 基线最多提升 30 pp，在真实异质图基准上也一致领先。
DTKG: Dual-Track Knowledge Graph-Verified Reasoning Framework for Multi-Hop QA: DTKG 把多跳问答按"并行事实核验 vs 链式推理"二分，先用 few-shot 分类器把问题路由到合适的分支，并行分支用 KG 三元组核验原子事实，链式分支在 Wikidata 上做 DFS 路径扩展+评分剪枝，外加一套"任务感知"去噪，在 6 个数据集上比 KGR / ToG 等单策略 baseline 提升 5%–29.5%。
ERAlign: Energy-based Representation Alignment of GNNs and LLMs on Text-attributed Graphs: 针对文本属性图（TAG）上 GNN 与 LLM 表示难以对齐的问题，本文用一个集合能量模型（set EBM）把两路表示投到共享隐空间、用 Cramér 距离度量分布错位并逐层对齐，再用免采样的 Energy Discrepancy（ED） 训练把能量降下去，在 8 个 TAG 数据集上全面取得 SOTA。
Finding the Minimal Parameter Budget for Implicit Reasoning: A Data Complexity Driven Scaling Law for Language Models: 本文从知识图谱补全任务出发，证明并测量了"隐式推理所需的最小参数量"满足一条以图搜索熵为复杂度度量的线性 scaling law，每个参数最多支持约 \(0.008\) bit 推理信息，颠覆了"模型越大推理越强"的朴素直觉。
Fixed Aggregation Features Can Rival GNNs: 本文提出 Fixed Aggregation Features (FAF)：把多跳邻域用 mean/sum/max/min/std 等不可训练的聚合算子压成表格特征再喂给 MLP，在 14 个节点分类基准中有 12 个能与精调过的 GCN/GAT/GraphSAGE 乃至 Graph Transformer 打平甚至超越，从而对"GNN 的可训练邻域聚合到底有多必要"提出系统性质疑。
Full-Spectrum Graph Neural Network: Expressive and Scalable: 本文把经典谱 GNN 的单变量特征值滤波器 \(g(\lambda_i)\) 推广为双变量滤波器 \(g(\lambda_i,\lambda_j)\)，把信号从节点域抬到节点对域，理论上能逼近 Local 2-GNN（超越 1-WL），并通过低秩张量分解避开 \(n^2\times n^2\) 显式计算，在异质图节点分类和子结构计数上拿到强结果。
ProMoS: Generalist Graph Anomaly Detection via Prototype-Based Distillation: ProMoS 把一个冻结的自监督 GNN 当成"正态先验老师"，用一束共享 + 稀疏激活的轻量学生分支去蒸馏它，并通过可学习原型把师生对齐到一个跨图共享的语义空间，从而第一次实现了完全无标签、零样本、跨图迁移的通用图异常检测器。
Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion: 本文提出"事实生成"任务，把超关系知识图谱（HKG）补全从"填一个空"扩展到"从任意掩码模式甚至从零生成完整事实"，并给出首个生成式 HKG 表示学习方法 KREPE：用上下文消息传递编码事实内/事实间依赖，用掩码离散扩散建模缺失分量的联合条件分布，在三个 HKG 基准的链接预测上达 SOTA，并在事实生成任务上把基于 GPT-5.2 / Gemini 3 Pro 的强 LLM 基线大幅甩开（如 WikiPeople- 从零生成 0.855 vs LLM 最好 0.343）。
GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning: GILT 把节点/边/图三类少样本图分类统一改写成基于 token 的 in-context learning 问题，用"线性 GCN 提结构 + 非对称原型 token + 两段式注意力 Transformer + 原型头"的纯数值架构，做到既不依赖 LLM 也不需要任何下游 tuning，在 5-shot 设置下超过 LLM-based 和 tuning-based GFM，同时比它们快 1~4 个数量级。
Graph-GRPO: Training Graph Flow Models with Reinforcement Learning: 针对"图流模型（GFM）难以用强化学习对齐复杂目标"的痛点，本文提出 Graph-GRPO：先把 GFM 采样中不可微的蒙特卡洛速率矩阵推导成一个解析表达式，让整条去噪轨迹可微、可用 GRPO 训练；再配一个精炼策略对高分图反复"局部加噪—再生成"，在 50 步去噪下就在 Planar/Tree 上拿到 95.0%/97.5% 的 V.U.N.，并在分子优化（蛋白对接、PMO）上全面超过此前的图 RL 与遗传算法方法。
Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction: ICGNN 在图扩散矩阵上定义"影响矛盾分数"(ICS) 从结构和属性两个层面度量节点标签的可疑程度，再用 GMM 软阈值挑出脏标签，并以邻居预测做凸组合式软纠正，在 6 个图基准上跑赢 NRGNN / RTGNN / CGNN / ProCon 等专门方法。
KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering: 把 KBQA 从"一次性生成逻辑表达式"重新定义为"多轮决策过程"，先用 Referenced Rejection Sampling 在金标动作序列的引导下生成可执行的推理轨迹做 SFT 冷启动，再用 GRPO 基于 F1 结果奖励优化策略，让 8B Llama 在 WebQSP / GrailQA / GraphQ 三个 benchmark 上同时超过 GPT-4 提示方法与图检索 SOTA。
L2G-Net: Local to Global Spectral Graph Neural Networks via Cauchy Factorizations: 作者把图傅里叶变换（GFT）的特征基精确分解成"每个子图的局部 GFT × 一串 Cauchy 矩阵"，将 \(O(n^3)\) 的特征分解降到 \(O(kn^2)\)（\(k\) 为子图间的切边数），并在分解里穿插可学谱滤波器，得到一族能在 569k 节点大图上跑通、参数比 Transformer 少几个数量级却性能相当的局部-到-全局谱 GNN。
Learnable Kernel Density Estimation for Graphs and Its Application to Graph-Level Anomaly Detection: LGKDE 用一个可学习的深度 MMD 度量把每个图嵌成"节点分布"，再在该度量空间上叠加多尺度核密度估计，并通过"正常图密度高于其结构感知扰动版本"这一自监督对比信号端到端训练，从而首次为图级密度估计提供了既有一致性、收敛速率、鲁棒性、泛化界等理论保证、又在十余个图异常检测基准上稳定超越 GNN/对比/单类等强基线的统一框架。
MedCoG: Maximizing LLM Inference Density in Medical Reasoning via Meta-Cognitive Regulation: MedCoG 让 LLM 先对医学问题做"复杂度 / 熟悉度 / 知识密度"三维自评，再按需调用 SCoT、记忆和知识图谱三类知识，把推理密度（达到同等精度所需的理论开销/实际开销）拉到 6.2×，同时在 5 个 MedQA 系列 hard set 上把平均准确率从 AFlow 的 34.5 提到 37.5。
Message Tuning Outshines Graph Prompt Tuning: A Prismatic Space Perspective: 本文提出 Prismatic Space Theory (PS-Theory)，把冻结 GNN 基础模型视为对输入流形做"棱镜式"折射的逐层分段线性映射，由此严格证明图提示微调 (graph prompt tuning) 的适配能力存在上界；进一步提出 Message Tuning (MTG)，在每层注入可学习的"消息原型"并与原生消息做动态融合，理论上可突破该上界，实验在 15 个数据集 / 6 种预训练策略上全面优于现有图提示方法。
Physics-Informed Coarsening for Multigrid Graph Neural Surrogates: 本文为固体力学有限元仿真训练了一个 Encoder-Processor-Decoder 多重网格 GNN 代理模型，核心创新是把"粗化（downsampling）时选哪些节点"从几何启发式（FPS）/学习注意力换成"按动量守恒方程的离散残差打分再 TopK"，从而把粗层算力倾斜到应力集中、接触界面、大变形等动力学关键区域，在 DeformingPlate 上把 rollout RMSE 从 SOTA 的 \(11.46\times 10^{-3}\) 降到 \(6.5\times 10^{-3}\)（提升约 43%）。
Polynomial Neural Sheaf Diffusion: A Spectral Filtering Approach on Cellular Sheaves: PolyNSD 把 Sheaf 神经网络的"一步空间扩散"换成对归一化 sheaf 拉普拉斯的可学习 \(K\) 阶多项式谱滤波器，用 Chebyshev 三项递推稳定计算，单层就拥有 \(K\)-hop 感受野和可控的低/带/高通响应；意外的发现是只用对角 restriction maps 就能超越所有需要稠密大维 stalk 的现有 NSD，参数、显存、运行时间都大幅下降。
Quantile-Free Uncertainty Quantification in Graph Neural Networks: QpiGNN 提出"无需分位输入、无需后处理"的 GNN 节点级预测区间框架，用双头 GNN（一头预测均值、一头预测半宽）配合直接优化"覆盖率+区间宽度"的标签级联合损失，在 19 个合成/真实数据集上平均覆盖率提高 22%、区间宽度收窄 50%。
RADE: Random Add-Drop Edge as a Regularizer: RADE 在 GNN 训练中同时随机删边与加边，并通过"期望保持"的聚合校正使训练-推理对齐，再用 GradNorm 自适应调节删/加比例，让一种增广同时缓解过拟合与过挤压。
Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach: 针对通用图异常检测中"PCA 对齐只统一维度、不统一语义"导致的负迁移问题，本文用一组 5 维"关系指纹"（邻域位置/方向/全局方向一致性 + 度 + 聚类系数）显式提取异常指示性线索作为跨域通用特征，再叠加一个 Transformer 域共享编码器和 SNR 引导的域自适应重校准模块，在 14 个数据集上几乎做到了"全员正迁移"的 SOTA。
Structure-Centric Graph Foundation Model via Geometric Bases: SCGFM 把跨域图基础模型重写为度量测度空间上的"三角测量"问题：学一组 \(K\) 个可训练几何基 \(\{B_k\}\)，每个图用其与各基的 Gromov–Wasserstein 距离 \(\delta_k\) softmax 得到一组结构坐标 \(\mathbf{w}\)，再用基上的 OT plan 把节点特征汇聚到统一维度，从而摆脱"必须对齐节点特征空间"的传统 GFM 桎梏，在 in-domain 与 OOD 少样本图/节点分类上都打过 baseline。
T-GINEE: A Tensor-Based Multilayer Graph Representation Learning: T-GINEE 结合 CP 张量分解与广义估计方程（GEE）显式建模多层网络中的跨层依赖关系——具有理论保证和优异的可扩展性，在百万级节点图（DBLP、Stack Overflow）上突破其他张量方法 OOM 的限制。
Understanding Truncated Positional Encodings for Graph Neural Networks: 这篇论文从理论上证明：谱编码与游走编码在"完整"形式下表达力等价，但实践中大家用的"截断"版本表达力却天差地别——截断谱编码甚至不再强于 1-WL 测试，因此作者建议"既然要截断，就混用来自不同家族的位置编码"，并在真实数据集上验证了这条经验法则。
Unsat Core Prediction through Polarity-Aware Representation Learning over Clause-Literal Hypergraphs: 本文把 CNF 公式建模成「子句–文字超图 + 子句关联图」，并在变量级把表示拆成极性不变与极性等变两部分，再用极性翻转一致性正则训练，把 unsat-core 变量预测精度显著拉高一档。
View Space：跨任意图的表示学习: 本文提出视图空间概念，通过将图从 2 维（节点-特征）升到 3 维（节点-特征-视图），实现对任意特征维度和语义图的统一表示——首次让图模型像 NLP/CV 基础模型那样无需微调即可跨域推理，在 27 个下游任务上平均超越 GraphAny 8.93%。
What Makes a Desired Graph for Relational Deep Learning?: 这篇论文指出"把数据库 schema 机械转成图"并不是 GNN 想要的图，它系统性地存在信息过载和语义碎片化两大病灶；作者提出一个端到端的"结构优化器"，用可学习门控做信息过滤、用模板化的结构注入补回任务相关连边，在 RELBench 的 26 个任务上既提精度又常常降低推理开销。
What Structural Inductive Bias Helps Transformers Reason Over Knowledge Graphs? A Study with Tabula RASA: 这篇论文用一个可拆卸的最小图 Transformer 变体 RASA 做控制实验，发现知识图谱多跳问答中最有用的结构归纳偏置主要是邻接 mask 带来的拓扑约束，而不是关系类型 bias、query scaling 或 value gating 这类可学习关系参数。
When Do Graph Foundation Models Transfer? A Data-Centric Theory: 这篇论文用 graphon 把不同大小、不同域的图放到同一连续空间里，证明图基础模型的跨域输出差异可以分解为两个有限采样误差和一个内在 graphon 域差异，并用合成与真实图实验说明图大小、结构偏移和谱位置编码稳定性共同决定迁移成败。
Whom to Query for What: Adaptive Group Elicitation via Multi-Turn LLM Interactions: 这篇论文把多轮问卷式 elicitation 从“问什么问题”扩展到“问谁、问什么”的联合决策，用 LLM 估计问题的信息增益、用异构 GNN 在群体关系图上传播和插补缺失回答，从而在有限受访者预算下更快恢复群体偏好。