🕸️ 图学习¶
🧠 NeurIPS2026 · 44 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (1) · 📷 CVPR2026 (8) · 🔬 ICLR2026 (118) · 💬 ACL2026 (24) · 🧪 ICML2026 (35) · 🤖 AAAI2026 (37)
🔥 高频主题: 图神经网络 ×6 · 扩散模型 ×6
- Beyond the Golden Teacher: Enhancing Graph Learning Through LLM-GNN Co-Teaching
-
针对少样本图学习下单一模型作为“黄金教师”会向学生传播其盲区的问题,本文提出无固定教师的双向协同教学框架 LLM-GNN Co-Teaching,通过小损失准则动态互换置信伪标签并利用跨轮次反转生成轨迹偏好对(RPL-PO),大幅刷新 6 个基准的少样本图节点分类 SOTA。
- Bridging Academia and Industry: A Comprehensive Benchmark for Attributed Graph Clustering
-
提出工业级属性图聚类基准与开源库 PyAGC,将经典与前沿聚类算法统一在“编码-聚类-优化”范式下,通过邻居采样与小批量化打破全图内存墙,在跨越 5 个数量级(最高达 1.11 亿节点)的 12 个数据集上揭示了学术界与工业界在异质性、表格特征与无监督评测上的巨大断层。
- C_4-Equivariant Flow Matching on Anisotropic Power-Diagram Graphs for Microstructure Generation
-
本文提出将多晶微观结构参数化为各向异性权值图(APD),通过在晶粒图上构建 \(C_4\) 等变流匹配模型,并结合免训练可微目标梯度引导,实现了任意分辨率渲染与复杂空间组织(如焊接、铸造、3D打印与层状结构)的受控生成。
- Chaining 2-FWL GNNs for Combinatorial Graph Alignment
-
针对纯结构无属性的无标签图组合对齐难题,本文提出串联 2-FWL 表达能力的 Folk-GNN 并引入离散匹配质量排名的链式迭代训练与推理机制,不仅打破了 MPNN 在正则图上的表达力屏障,更通过为经典凸松弛 FAQ 算法提供高质量初始相似度矩阵,在稀疏随机图与正则图上将对齐准确率大幅提升至 SOTA。
- Chasing Label Shifters: A Change-Aware Framework for Dynamic Graph Node Classification
-
针对动态图节点分类中类别标签发生跃迁的“标签漂移节点”性能严重落后且过度预测旧标签的系统性缺陷,本文揭示了邻域聚合引起的“嵌入惯性”根因,并提出了即插即用、模型无关的感知变化增强框架 CHASE,在大幅提升漂移节点分类准确率的同时保持稳定节点性能。
- Concorde: Geometry-Aware Link Prediction via Decoupled Energy Minimization
-
针对稀疏图链路预测中扩散算子耦合几何表征时的全局谱失稳与局部对称性破缺矛盾,Concorde 将连接能量显式解耦为无参谱锚点、混合曲面残差和切空间测地转向场三分支,在极端稀疏图上将早期检索精度翻倍。
- DiPhon: Diffusion on Graphons for Scalable Graph Generation
-
本文提出 DiPhon,通过在连续图极限(Graphon)空间上构建 Jacobi 随机微分方程(SDE)并经由矩对齐重整化离散到有限图,使在小规模图(20–80 节点)上训练的图扩散模型无需重训即可泛化生成至 300 节点的大图并保持拓扑有效性。
- DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation
-
针对欧氏对抗图域自适应中拓扑信息被抹平与极小极大训练震荡的痛点,本文提出在常曲率黎曼流形极坐标下解耦径向拓扑尺度与角度类语义,并通过拓扑条件黎曼流匹配实现保结构样本平滑输运。
- Efficient Dynamic Algorithms for Graph Neural Networks with Non-Linear Propagation
-
本文用残差证书、端点缩放和选择性推送维护动态无向图上的非线性传播不动点,在度归一化误差下证明确定性的摊销更新界,并展示非线性能够提升静态分类准确率而不明显增加动态传播成本。
- Efficient Memory Crystallization for Graph Learning under Non-Stationary Distribution Shifts
-
针对非平稳分布漂移下图测试时连续自适应(CTTA)高计算与显存开销的痛点,EMC 提出用闭式解析解直接将输入图结晶为紧凑低秩记忆图,结合跨域状态演化场与理论证明更紧的泛化误差界,在零辅助训练模块下取得 SOTA 表现并缩减 87.4% 运行耗时与 92.4% 显存开销。
- EMERGE: A Benchmark for Updating Knowledge Graphs with Emerging Textual Knowledge
-
针对传统信息抽取孤立于图谱当前状态的缺陷,本文提出了首个文本驱动知识图谱更新基准 EMERGE,形式化了包含实体创建、旧关系废弃及隐式结构推理的五大图更新操作,并构建了跨 7 年快照的 1.45M 规模更新数据集。
- Equivariant Spherical Transformer for Efficient Molecular Modeling
-
针对传统等变图神经网络依赖 Clebsch-Gordan 张量积卷积导致非线性表达受限与高次表征计算代价高昂的问题,本文提出 Equivariant Spherical Transformer (EST),通过基于斐波那契晶格与分子动力学校准的均匀球面傅里叶采样将群表征投射至连续空间域,利用跨方向球面注意力与混合专家 FFN 显著提升表征能力并严格保持 SO(3) 等变性。
- Flowette: Flow Matching with Graphette Priors for Graph Generation
-
Flowette 提出了融合可控子图编辑的 Graphette 结构先验、融合 Gromov-Wasserstein 拓扑对齐耦合与端点一致性正则的连续流匹配框架,实现了拓扑保真度极高且化学有效的高效图生成。
- Get a Grip, This Will Be a Long Trip: A Quantifiable Long-Range Framework for Verifying Over-squashing
-
针对现有图基准无法严格验证模型是否真正学到长程交互的问题,本文提出长程图任务的四条统计公理并构建了基于稳定分布的可验证基准框架 TRIP 与 GRIP,提供了业界首个先验闭式 MLE 测试误差理论下界。
- GraDE: A Graph Diffusion Estimator for Frequent Subgraph Discovery in Neural Architectures
-
本文提出首个利用图扩散模型拟合子图概率分布以评估子图结构代表性(典型度)的频率估计器 GraDE,结合渐进式束搜索有效解决了神经网络架构中大规模频繁子图/模体挖掘的高计算复杂度和极度稀疏性难题。
- Graph Cascades: Contagion-Based Mesoscopic Rewiring for Structure-Aware Graph Machine Learning
-
本文提出基于传染扩散动力学的介观图重连策略 Graph Cascades,以 \(\mathcal{O}(|V|+|E|)\) 线性复杂度挖掘多跳增强支撑的节点对并重连为直接邻居,显著突破局部消息传递与全局注意力的两极瓶颈并在异质图与中高阶同质图上大幅提点。
- Graph Energy Matching: Transport-Aligned Energy-Based Modeling for Graph Generation
-
本文提出离散图能量生成框架 Graph Energy Matching (GEM),借鉴 JKO 最优传输映射视角学习置换不变标量势能函数,并通过能量阈值门控机制无缝衔接确定性贪心传输与局部平衡 Metropolis-Hastings 混合采样,在分子图无条件生成、属性约束优化及图测地线插值任务上全面达到或超越主流离散扩散与流匹配模型。
- Graph Learning Should Move Beyond Restrictive Views of Spectral and Message-Passing GNNs
-
本文系统剖析了谱图神经网络(Spectral GNNs)与空间消息传递网络(MPNNs)的对称性根源,证明了在线性谱滤波与局部聚合图移位算子约束下两者的图区分与逼近能力等价性,并提出基于特征基不变性的广义谱学习范式与互补理论视角。
- Graph Learning Should Move Beyond Restrictive Views of Spectral and Message-Passing Architectures
-
针对图机器学习长期将消息传递网络(MPNN)与谱图神经网络(Spectral GNN)割裂并将其简化为多项式滤波的局限,本文从对称性第一性原理出发,确立了谱图神经网络的特征基旋转与符号不变性(Eigenbasis Invariance)数学定义,严格证明了在局部聚合图位移算子(Aggregation GSO)和紧致谱区间下线性谱滤波与标准 MPNN 在图区分度(1-WL)和一致逼近能力上的本质等价性,并提出将谱位置编码作为解耦正交设计维度的统一理论路线。
- GraphIP–Bench: How Hard Is It to Steal a Graph Neural Network, and Can We Stop It?
-
本文提出首个面向图神经网络(GNN)模型提取与所有权保护的统一评测基准 GraphIP-Bench,通过涵盖 12 种提取方法、12 种防御机制和 10 个图数据集的联合追踪协议,系统揭示了主流训练期参数侧图水印在模型被提取到替代模型后信号大幅衰减的核心盲区。
- HiGraph: A Large-Scale Hierarchical Graph Dataset for Malware Analysis
-
本文构建了首个针对移动端恶意软件分析的大规模分层图数据集 HiGraph(包含 49.9 万个全局函数调用图与逾 2 亿个嵌套局部控制流图),并通过十年跨度的时空评估证实:过程内控制流圈复杂度是抵御概念漂移的关键判别信号。
- HOPSE: Scalable Higher-Order Positional and Structural Encoder for Combinatorial Representations
-
HOPSE 摒弃了计算昂贵的高阶消息传递(HOMP)层,通过哈斯图分解将任意组合复形解耦为图集合并抽取位置与结构编码,实现了计算复杂度随单元数线性扩展且表达能力超越 CCWL 的通用拓扑表征框架。
- HoTS: Homophily-Aware Temperature Scaling for Graph Neural Network Calibration
-
HoTS 用预测熵和辅助 GCN 估计的局部同质性生成节点级正温度,以理想化 CSBM 的逆同质性温度规律为结构先验,在不改变预测类别的前提下取得 18 个数据集上的最佳平均 ECE 4.79%,但并非逐数据集或逐覆盖率都最优。
- Hypergraph Generation via Structured Stochastic Diffusion
-
提出了直接作用于连续松弛超图关联矩阵上的结构化扩散生成模型 Hedge,通过融合两侧超图热核与 Ornstein-Uhlenbeck 漂移实现结构感知加噪与解析高斯基分布,并证明了状态逆向漂移回归的最优性与有限时界稳定性。
- Hypergraph Representation Learning with Hyperlink Random Effects
-
针对非均匀超图中超边生成机制异质且缺乏紧凑低秩结构的难题,本文提出超边随机效应(HRL)统计表示学习框架,通过节点嵌入与超边随机效应的内积核刻画多体交互,提供严谨参数可识别性与统计恢复理论,并针对分类、高斯混合与基于分数的扩散先验推导了高效变分EM求解算法。
- K12-KGraph: A Curriculum-Aligned Knowledge Graph for Benchmarking and Training Educational LLMs
-
本文构建了首个对齐官方中小学课标与教材的多模态课程知识图谱 K12-KGraph,并衍生出评测结构化课程认知的基准 K12-Bench 与高质量微调语料 K12-Train,系统揭示了现有大模型在课程拓扑认知上的严重短板,并验证了图谱结构化先验对教育模型微调的高样本效率。
- MAGNET: Manifold-Aware Graph Diffusion Network for Connectome Generation
-
针对粗粒度临床标签导致脑功能连接组生成时出现亚群模式坍缩与失真问题,MAGNET在归一化Cholesky正定相关流形图表上构建基于脑区Token的图扩散架构,并引入类别锚定高斯混合子型、平摊结构桥与相关性保留加噪三大机制,在严格保真数学有效性的同时实现了临床异质性与拓扑支撑集的精准恢复。
- Mean-Field Control on Sparse Graphs: From Local Limits to GNNs via Neighborhood Distributions
-
针对传统均值场控制无法刻画真实稀疏拓扑与局部异构性的瓶颈,本文将系统状态提升为带状态修饰的有根局部邻域概率分布,严格证明了最优策略对时间跨度邻域的局部依赖性(Horizon-Dependent Locality),建立了适定动态规划原理与策略梯度定理,并从理论上论证了图神经网络作为均值场通用逼近器的有效性。
- Network Learning with Semi-Relaxed Gromov-Wasserstein
-
本文提出基于半松弛Gromov-Wasserstein(srGW)重心的非参数网络生成机制学习框架,将NP难的离散节点分配松弛为连续概率耦合,理论证明其与确定性分配的最优性差距随节点数以 \(\mathcal{O}(1/n)\) 速率衰减,并在SBM与光滑Graphon下取得极小化极大最优收敛速率。
- Neural Proposals, Symbolic Guarantees: Neuro-Symbolic Graph Generative Modeling
-
提出了神经符号图生成框架 NSGGM,将分布学习解耦为自回归神经模型提议图元脚手架与 SMT 求解器执行离散拼装,在保持高质量分布拟合的同时为严格逻辑约束提供可验证的构造性保证。
- Neural Structural Reasoner: A Brain-inspired Architecture for Reasoning over Structured Knowledge
-
NSR 将实体、关系及关系链绑定到可读的网络单元与连接,通过关系关联检索和显式图路径传播完成链接预测,在 Nations 上取得 MRR 0.8142,但其优势随数据集变化,且静态加速实现的效率不能直接等同于在线脑启发动力学的效率。
- OgBench: A Framework for Evaluating Graph Neural Networks on Omics Data
-
本文提出首个面向组学数据少样本高节点数(\(n \ll p\))图分类场景的端到端模块化评测框架 OgBench,通过对 80,000 个模型配置的全面评估揭示出主流图神经网络在该场景下往往难以稳定击败简单 MLP 与线性基线,从而推动学界重新审视生物图结构归纳偏置的真实增益。
- Orlicz–Sobolev with Musielak: An Efficient Regularization Approach for Graph-based IPM
-
针对图度量空间上 Sobolev 积分概率度量(Sobolev IPM)固化于 \(L^p\) 几何结构且难以高效计算的瓶颈,提出广义 Sobolev IPM(GSI),并通过建立 Orlicz–Sobolev 范数与 Musielak 梯度的等价性引入高效单变量优化正则化求解算法。
- Oversmoothing as Representation Degeneracy in Neural Sheaf Diffusion
-
本文利用箭图表示论将神经层扩散中的蜂窝层等同于关联箭图表示,首次将过平滑解释为表示退化,并揭示了等维茎架构中的稳定性壁垒,进而提出矩映射正则化与打破对称性的矩形茎架构以抑制非平凡谐波塌缩。
- PANDA: Prior-guided Attentional Dual-path Architecture
-
针对传统超图神经网络固定结构先验容易误传异质噪声、且接收端归一化注意力强制竞争导致多发送端信息被过度稀释的问题,本文提出即插即用模块 PANDA,通过主路径自适应凸组合结构先验与注意力、辅助路径引入非归一化门控残差信息,在有向与无向超图上显著提升节点分类性能。
- Pointwise Lipschitz Continuous Graph Algorithms
-
本文提出了一种通用的近端梯度轨迹分析(PGTA)理论框架,支持在凸松弛中引入加权正则项,从而为最小顶点 SS-TT 割构建了具备匹配下界的紧界点态 Lipschitz 连续算法,并将点态 Lipschitz 保证从 1-匹配拓展至一般加权 \(b\)-匹配与装箱整数规划。
- Rank Is Not Capacity: Spectral Occupancy for Latent Graph Models
-
针对隐图模型将潜空间维度作为固定超参数导致表征容量无法度量与控制的缺陷,本文提出 Spectra 框架,利用迹归一化正定核的香农有效秩度量并端到端调控谱占有容量,仅凭单一模型即可 deterministic 地获得最优嵌套谱前缀视图。
- Relation-Aware Graph Foundation Model
-
REEF 把可跨图共享的关系语义作为图基础模型的迁移单元,用语义超网络生成聚合器、分类器及数据集投影,在三个目标图的 1-shot 分类中达到 48.66%、48.65%、47.72% 准确率,但对未见关系、零样本任务和计算成本仍有明确边界。
- Spectral Graph Sparsification Preserves Representation Geometry in Graph Neural Networks
-
本文从表示几何视角建立了图神经网络的谱图稀疏化理论,证明任意 \(\varepsilon\)-谱稀疏图在多项式滤波器 GNN 中仅引发 \(O(\varepsilon)\) 级别的滤波器算子、多层隐层嵌入、Gram 矩阵及有限时间梯度下降参数轨迹扰动,并通过有效电阻稀疏化在合成与真实图数据集上验证了隐空间距离、局部邻域与类别质心几何的高度保持。
- Spectral Reversal: Counteracting Singular Value Bias for Graph Prompting
-
SRP 在冻结 GNN 的各层用奇异值软掩码优先读取弱方向,并用零空间 PCA 补充被原权重丢弃的特征,再把低秩提示加到聚合后的激活上;在 GraphCL 预训练的 5-shot Cora 上达到 68.11% 准确率,但并非所有数据集都优于最强基线。
- Toward a Unified Statistical Theory of Unsupervised Pretraining and Supervised Neural Knowledge Graph Learning
-
本文提出预训练神经知识图谱(PNKG)两阶段框架,通过多视图加权核主成分分析融合异构无标签实体特征并结合逐关系有界 ReLU 网络预测三元组,首次建立了将无监督预训练子空间恢复误差与下游有监督风险解耦的非渐近端到端统计理论,并在 WordNet 与 PrimeKG 上取得显著提升。
- Understanding and Mitigating Under-Confidence in GNNs from the Final Layer
-
SCAR 从 GNN 的末层分类器解释欠置信,训练时单独减小末层权重衰减,推理时按节点与训练集的邻接关系将表示拉向预测类别原型,在多种节点分类设置中降低 ECE,但不保证预测标签或准确率始终不变。
- Weisfeiler and Leman Follow the Arrow of Time: Expressive Power of Message Passing in Temporal Event Graphs
-
本文针对现有连续时序图神经网络忽略时间箭头对因果拓扑约束的理论空白,提出了保守时路径的时序图同构定义,将其等价转化为增广事件图上的静态图同构,并证明了有向消息传递在增广事件图上具有与有向 1-WL 等价的因果拓扑区分能力。
- When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors
-
针对无节点特征的离散图扩散模型因边独立性与置换交换性强制退化为 Erdős–Rényi 不动点病态的问题,本文提出潜在社交度先验(LSP)与节点-边联合扩散框架,在免训练编码器的闭式初始化下保留节点异质性并显著提升高阶拓扑生成质量。