20251009
LAD-RAG : Layout-aware Dynamic RAG for Visually-Rich Document Understanding
- 在文档摄入阶段构建包含版式结构和跨页依赖关系的符号化文档图（symbolic document graph）:节点代表页内元素，如段落，表格，脚注等，边代表关系，包括 symbolic, semantic, layout 等关系，如引用关系等。同时构建 Neural index 辅助对于基于语义相似度的搜索
Label-frugal satellite image change detection with generative virtual exemplar learning
- 通过可逆图卷积网络（invertible graph convnet）生成虚拟原型样本，即最具判别力的样本。
HSNet: Heterogeneous Subgraph Network for Single Image Super-resolution
- 异质子图网络：将全局图分解为可管理的子图组件实现高效建模：首先设计构造性子图集模块（Constructive Subgraph Set Block, CSSB）生成多样互补的子图以捕获局部与全局的异质特征；其次利用子图聚合模块（Subgraph Aggregation Block, SAB）自适应融合多图特征，构建判别性强的综合表示；并引入节点采样策略（Node Sampling Strategy, NSS）保留关键特征，在提升精度的同时降低计算负担
GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint IEEE TrustCom 2025)
- 门控时间卷积网络（Gated Temporal Convolutional Network, G-TCN）与图卷积网络（Graph Convolutional Network, GCN）结合解决现代入侵检测系统（Intrusion Detection System, IDS）在面对网络威胁复杂性提升和流量数据固有类别不平衡问题时的性能瓶颈。
Towards Generalization of Graph Neural Networks for AC Optimal Power Flow
- 将母线、发电机、负荷、无功补偿装置、输电线路和变压器等不同元件建模为异构节点或边类型，并结合可处理长程依赖关系的可扩展Transformer模型，从而在仅基于默认拓扑训练的情况下，实现对数千种未见过拓扑的零样本泛化，优化间隙小于3%，同时相较内点法求解器获得高达1000–10000倍的计算加速。
Flavonoid Fusion: Creating a Knowledge Graph to Unveil the Interplay Between Food and Health
构建一个基于语义网（semantic web）的知识图谱（knowledge graph），通过KNARM方法对来自美国农业部（USDA）数据库的食品类黄酮含量数据与文献中报道的癌症关联信息进行结构化整合，从而以机器可操作格式呈现食物与健康之间的复杂关系
RareGraph-Synth: Knowledge-Guided Diffusion Models for Generating Privacy-Preserving Synthetic Patient Trajectories in Ultra-Rare Diseases
提出RareGraph-Synth框架，该框架将五个公共生物医学知识资源（包括Orphanet、人类表型本体HPO、GARD罕见病知识图谱等）整合为一个包含约800万条类型边的异构知识图谱（heterogeneous knowledge graph），并通过提取元路径得分（meta-path scores）动态调节扩散过程中的噪声调度（noise schedule），从而引导生成过程中实现实验室检查、药物使用与不良事件的共现符合生物学逻辑；同时，在反向去噪阶段生成无受保护健康信息（PHI）的时间戳序列，有效提升数据真实性与隐私安全性。实验表明，该方法在降低类别最大均值差异（categorical Maximum Mean Discrepancy）方面显著优于无引导扩散基线和GAN模型，并通过黑盒成员推理攻击评估（AUROC≈0.53）验证了更强的抗再识别能力。
Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs
提出Soft-Evidence Fusion Graph Neural Network（SEFGNN），该框架在决策层而非特征层进行融合：将每个生物网络视为独立证据源，利用Dempster-Shafer理论（DST）实现不确定性感知的融合，并引入Soft Evidence Smoothing（SES）模块缓解DST可能带来的过自信问题，从而提升排名稳定性并保持判别性能。
MolGA: Molecular Graph Adaptation with Pre-trained 2D Graph Encoder
- 2D好像和普通的没有区别？？
Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency
更聚焦在不同隐私保护策略的不同效果上，即 graph perturbation, projected Gaussian mechanism, and edge DP noisy power method
Revisiting Node Affinity Prediction in Temporal Graphs
时序图上的 Node affinity prediction：利用启发式方法和状态空间模型之间的等效性，使用虚拟状态开发了 NAViS - 节点亲和力预测模型。
The Unreasonable Effectiveness of Randomized Representations in Online Continual Graph Learning
为了应对灾难性遗忘，使用固定的随机初始化的encoder生成节点嵌入，通过冻结 encoder避免表征参数的变化（这是遗忘的一个重要来源）。
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
在异构图中通过基于 Bayesian experimental design 原则设计的因果提取策略进一步促进因果发现
Root Cause Analysis of Outliers in Unknown Cyclic Graphs
无须任何先验知识的情况下，对 cyclic causal graphs 中的异常的扩散进行溯源