已确认：2025.md 与 publications_iclr25/README.md 为同一份 ICLR 2025 论文清单（255 篇），子目录 README 提供 BibTeX 与 OpenReview 链接。现有材料充足，可成文。

2025 年 ICLR 图深度学习论文全景解读：Scalability、表达力与语言模型融合的 255 篇前沿工作

2025 年的 ICLR（第十三届 ICLR 会议）收录了大量图深度学习（Graph-based Deep Learning）方向的论文，本文以当前开源仓库 conference-publications/folders/submissions_iclr/2025.md 为骨架，对照 conference-publications/folders/years/2025/publications_iclr25/README.md 的完整分类清单（共 255 篇）与 255 个独立论文子目录（每个目录含 BibTeX 引用格式与 OpenReview 链接），系统梳理 ICLR 2025 上围绕 GNN 的 Scalability、异质性（Heterophily）、过平滑/过挤压、长程依赖、谱方法、随机游走、图 Transformer、超图、拓扑深度学习、表达力、鲁棒性、图语言模型、分子与蛋白质、等变网络、动态/时序图、组合优化等核心议题的代表性工作。读完后，你将获得一张可直接用于论文检索、引用与选题追踪的 ICLR 2025 图学习研究路线图。

这份清单在仓库中如何组织

本仓库（graph-based-deep-learning-literature）以“按会议、按年份、按主题分类”的方式组织图深度学习文献链接。与本文直接相关的资源有以下三处：

• submissions_iclr/2025.md：ICLR 2025 提交/录用论文的主题速览清单，按 30+ 个研究主题分组；
• years/2025/publications_iclr25/README.md：同一批论文的更完整收录版本（255 篇），主题分类更细，并额外包含 Curvature、Knowledge Distillation、Graph Diffusion、Graph Matching、Time Series、Circuits、Proteins、RNA 等补充分类；
• years/2025/publications_iclr25/ 下 255 个子目录：每个目录对应一篇论文，内含可直接复制的 BibTeX 引用条目与指向 OpenReview 的链接，例如 stgcnd_iclr25/README.md、musegnn_iclr25/README.md、uvn_iclr25/README.md。

需要说明：submissions_iclr/2025.md 与 publications_iclr25/README.md 收录的是同一届 ICLR 2025 的图学习论文，但后者分类更全、条目更多（前者约 170 条，后者 255 条），且每个条目都带仓库内链，因此以下解读以两者互补为准。

Scalability：让 GNN 在大图上"可收敛、可证明"

ICLR 2025 的图学习论文中，Scalability（可扩展性）是最受关注的主题之一，共 8 篇工作（完整版清单）或 6 篇（速览版清单），覆盖了从层设计、图稀疏化到数据集压缩的多个层次：

• MuseGNN: Forming Scalable, Convergent GNN Layers that Minimize a Sampling-Based Energy：通过最小化基于采样的能量函数来构造可扩展且可收敛的 GNN 层，对应仓库条目 musegnn_iclr25；
• Scalable and Certifiable Graph Unlearning: Overcoming the Approximation Error Barrier：面向图数据删除请求的"可扩展且可认证"的图遗忘学习，对应 scalegun_iclr25；
• ST-GCond: Self-supervised and Transferable Graph Dataset Condensation：自监督、可迁移的图数据集压缩，对应 stgcnd_iclr25；
• Graph Sparsification via Mixture of Graphs：用"图的混合"做图稀疏化，对应 mog_iclr25；
• Accurate and Scalable Graph Neural Networks via Message Invariance：通过消息不变性同时保证准确性与可扩展性，对应 top_iclr25；
• Node Identifiers: Compact, Discrete Representations for Efficient Graph Learning：用紧凑的离散节点标识符提升图学习效率，对应 nodeid_iclr25；
• 完整清单还补充了 Bonsai: Gradient-free Graph Condensation for Node Classification（bonsai_iclr25）与 RTop-K: Ultra-Fast Row-Wise Top-K Selection for Neural Network Acceleration on GPUs（rtopk_iclr25）。

注：速览版与完整版对同一论文的链接会指向同一 OpenReview 论坛。上文中未在 2025.md 中出现、仅在完整版 README 收录的论文，链接均指向完整版对应子目录。

从理论到实践：表达力（Expressivity）研究的深化

表达力是 ICLR 图学习论文的"常青树"，2025 年共有 8 篇相关论文，并且进一步细分为"同态表达力"（Homomorphism Expressivity）与"表达力 × 泛化"两个子主题：

Expressivity（8 篇）

• Is uniform expressivity too restrictive? Towards efficient expressivity of GNNs（uetr_iclr25）
• Rethinking the Expressiveness of GNNs: A Computational Model Perspective
• Diss-l-ECT: Dissecting Graph Data with local Euler Characteristic Transforms
• On the Hölder Stability of Multiset and Graph Neural Networks（hsmsgnn_iclr25）
• Towards Stable, Globally Expressive Graph Representations with Laplacian Eigenvectors
• Towards a Complete Logical Framework for GNN Expressiveness（lfgnnexp_iclr25）
• Expressive Power of Graph Neural Networks for (Mixed-Integer) Quadratic Programs
• Graph Neural Networks Can (Often) Count Substructures（gnncss_iclr25）

Homomorphism Expressivity（同态表达力）

• Homomorphism Counts as Structural Encodings for Graph Learning（mose_iclr25）
• Homomorphism Expressivity of Spectral Invariant Graph Neural Networks（hesignn_iclr25）

Expressivity, Generalisation（表达力与泛化的桥接）

• Generalization, Expressivity, and Universality of Graph Neural Networks on Attributed Graphs（geu_iclr25）
• Towards Bridging Generalization and Expressivity of Graph Neural Networks（genexpgnn_iclr25）

这批工作把经典 WL 测试、同态计数、谱不变量、计算模型等理论工具与泛化界结合，表明 ICLR 2025 对"GNN 到底能区分多少图结构"这一问题的研究已经进入精细化阶段——不仅问"能否表达"，还问"能否高效表达、稳定表达、泛化表达"。

结构学习的两大顽疾：Oversmoothing 与 Oversquashing

Oversmoothing（过平滑）：堆叠多层后节点表示趋于一致。2025 年有 2 篇（速览版）/3 篇（完整版）工作，其中 Residual Connections and Normalization Can Provably Prevent Oversmoothing in GNNs（graphnormv2_iclr25）从理论层面证明残差连接与归一化可以防止过平滑。

Oversquashing（过挤压）：长距离信息在瓶颈结构中丢失。代表性工作包括 Understanding Virtual Nodes: Oversquashing and Node Heterogeneity（uvn_iclr25）与 Demystifying Topological Message-Passing with Relational Structures: A Case Study on Oversquashing in Simplicial Message-Passing（tmprs_iclr25）。

Long-range Dependencies（长程依赖） 与之直接相关：

• Port-Hamiltonian Architectural Bias for Long-Range Propagation in Deep Graph Networks（phdgn_iclr25）
• GLoRa: A Benchmark to Evaluate the Ability to Learn Long-Range Dependencies in Graphs（glora_iclr25）
• 完整版另收录 Greener GRASS: Enhancing GNNs with Encoding, Rewiring, and Attention（grass_iclr25）

Heterophily（异质性）：当"邻居不同类"时 GNN 失效，2025 年相关论文有 Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs（degem_iclr25）与 Let Your Features Tell The Differences: Understanding Graph Convolution By Feature Splitting（tfigfs_iclr25）。

谱方法、随机游走与图 Transformer

Spectral Methods（谱方法）：

• Joint Graph Rewiring and Feature Denoising via Spectral Resonance（jdr_iclr25）
• Spectral Graph Coarsening Using Inner Product Preservation and the Grassmann Manifold
• GRASP: Generating Graphs via Spectral Diffusion
• When Graph Neural Networks Meet Dynamic Mode Decomposition（dmdgnn_iclr25）

Random Walks（随机游走）：

• Revisiting Random Walks for Learning on Graphs（rwnn_iclr25）
• Learning Long Range Dependencies on Graphs via Random Walks（neuralwalker_iclr25）

Graph Transformers（图 Transformer）：

• Graph Transformers Dream of Electric Flow
• Unleashing Graph Transformers with Green and Martin Kernels

超图、拓扑深度学习与高阶结构

Hypergraphs（超图）：

• Training-Free Message Passing for Learning on Hypergraphs（tfhnn_iclr25）
• Link Prediction with Relational Hypergraphs
• 完整版另收录 DistillHGNN（distillhgnn_iclr25）、HyperPLR（hyperplr_iclr25）等

Topological Deep Learning（拓扑深度学习）：

• TopoTune: A Framework for Generalized Combinatorial Complex Neural Networks
• Topological Blindspots: Understanding and Extending Topological Deep Learning Through the Lens of Expressivity（mcn_iclr25）
• E(n) Equivariant Topological Neural Networks（etnn_iclr25）
• 完整版另收录 MANTRA: The Manifold Triangulations Assemblage（mantra_iclr25）与 Topological Schrodinger Bridge Matching（tsbm_iclr25）

安全性：鲁棒性、投毒、OOD 与异常检测

ICLR 2025 对图模型的可靠性投入了大量篇幅，形成了 Robustness、Poisoning、Out-of-Distribution、Anomaly Detection 四条线索：

Robustness（鲁棒性）

• Towards Generalization Bounds of GCNs for Adversarially Robust Node Classification
• Robustness Inspired Graph Backdoor Defense
• Learning Randomized Algorithms with Transformers
• Certified Defense on the Fairness of Graph Neural Networks

Poisoning（数据投毒）

• Exact Certification of (Graph) Neural Networks Against Label Poisoning
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoors

Out-of-Distribution（分布外检测）

• GOLD: Graph Out-of-Distribution Detection via Implicit Adversarial Latent Generation
• STOP! A Out-of-Distribution Processor with Robust Spatiotemporal Interaction
• Spreading Out-of-Distribution Detection on Graphs

Anomaly Detection（异常检测）

• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark
• SpaceGNN: Multi-Space Graph Neural Network for Node Anomaly Detection with Extremely Limited Labels

这些工作把"对抗攻击下 GCN 的泛化界""标签投毒的精确认证""后门防御""公平性认证"等问题统一纳入图学习的可信框架，与完整版清单中的 Adversarial Attacks 主题相互呼应。

语言模型 × 图：LLM 与图学习的交叉地带

2025 年语言模型与图的交叉是绝对热点，完整版清单中出现了"Graph Language Models"与"Language Models"两个分类，共 9 篇以上工作：

• GOFA: A Generative One-For-All Model for Joint Graph Language Modeling：将图与语言统一进一个生成式模型；
• Scale-Free Graph-Language Models
• Language Representations Can be What Recommenders Need: Findings and Potentials
• Can LLMs Enhance Performance Prediction for Deep Learning Models?
• GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning：用 GNN 做检索、增强 LLM 推理；
• 完整版还收录 Circuit Representation Learning with Masked Gate Modeling and Verilog-AIG Alignment（circuitfusion_iclr25）等电路领域工作

此外还有专门的 Prompting 主题：Edge Prompt Tuning for Graph Neural Networks 与 Does Graph Prompt Work? A Data Operation Perspective with Theoretical Analysis，以及 Pre-Training 主题：Holographic Node Representations: Pre-training Task-Agnostic Node Embeddings 与 Centrality-guided Pre-training for Graph。

时序与动态图：从遗忘学习到对抗攻击

Temporal Graphs（时序图）

• N-ForGOT: Towards Not-forgetting and Generalization of Open Temporal Graph Learning
• Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting
• TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics
• MEMFREEZING: TOWARDS PRACTICAL ADVERSARIAL ATTACKS ON TEMPORAL GRAPH NEURAL NETWORKS

Dynamic Graphs（动态图）

• Rationalizing and Augmenting Dynamic Graph Neural Networks
• Explanations of GNN on Evolving Graphs via Axiomatic Layer edges

完整版清单在此之外还单独列出了 Time Series 分类，说明"时序图+时空预测"在 ICLR 2025 已形成独立研究赛道。

有向图、DAG 与组合优化

Directed Graphs（有向图）

• What Are Good Positional Encodings for Directed Graphs?
• A Benchmark on Directed Graph Representation Learning in Hardware Designs
• Graph Neural Networks for Edge Signals: Orientation Equivariance and Invariance

Directed Acyclic Graphs（DAG）

• LayerDAG: A Layerwise Autoregressive Diffusion Model for Directed Acyclic Graph Generation
• Neural Spacetimes for DAG Representation Learning
• Beyond Directed Acyclic Computation Graph with Cyclic Neural Network

Combinatorial Optimisation（组合优化）：完整版清单在此细分出 Linear Programming 与 Mixed-Integer Linear Programming 两个子分类，包括：

• BiQAP: Neural Bi-level Optimization-based Framework for Solving Quadratic Assignment Problems
• Learning to Select Nodes in Branch and Bound with Sufficient Tree Representation
• BTBS-LNS: Binarized-Tightening, Branch and Search on Learning LNS Policies for MIP

科学计算：分子、蛋白质、生物信息学与物理

图表示学习在科学领域的应用在 ICLR 2025 中占据很大比重：

Bioinformatics（生物信息学）：空间转录组学、基因网络、药物相互作用预测等 5 篇，包括 Estimation of single-cell and tissue perturbation effect in spatial transcriptomics via Spatial Causal Disentanglement、GeSubNet、DHENN、CBGBench、Global Context-aware Representation Learning for Spatially Resolved Transcriptomics。

Molecules（分子）：6 篇，涵盖分子图稀疏表示、构象预测、逆分子设计等，如 A Theoretically-Principled Sparse, Connected, and Rigid Graph Representation of Molecules、REBIND、Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space。完整版还单独设有 Proteins 与 RNA 分类。

Equivariance（等变性）：7 篇，代表如 E(3)-equivariant models cannot learn chirality: Field-based molecular generation、VN-EGNN: E(3)- and SE(3)-Equivariant Graph Neural Networks with Virtual Nodes、Geometry-aware RL for Manipulation of Varying Shapes and Deformable Objects。Invariance 主题则包含 Invariant Graphon Networks: Approximation and Cut Distance（完整版对应 iwns_iclr25）。

Physics（物理）：PDE 系统的物理编码消息传递等 4 篇，如 PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems、SPARK: Physics-Guided Quantitative Augmentation for Dynamical System Modeling。

联邦学习、迁移与持续学习

• Subgraph Federated Learning（子图联邦学习）：Subgraph Federated Learning for Local Generalization 与 Decoupled Subgraph Federated Learning；
• Subgraphs for Generalisation：AdaRC: Mitigating Graph Structure Shifts during Test-Time（完整版对应 Matcha，见 adarc_iclr25）、Diversifying Spurious Subgraphs for Graph Out-of-Distribution Generalization；
• Transfer Learning（迁移学习）：GraphBridge: Towards Arbitrary Transfer Learning in GNNs 与 Towards Continuous Reuse of Graph Models via Holistic Memory Diversification；
• Diffusion（图扩散） 主题还包含 Instant Policy: In-Context Imitation Learning via Graph Diffusion、Bundle Neural Network for message diffusion on graphs、Relation-Aware Diffusion for Heterogeneous Graphs with Partially Observed Features。

完整分类速查表（255 篇）

下表汇总了完整版 publications_iclr25/README.md 的主题分类结构，供快速导航：

分类	收录数量（参考）	代表性方向
Scalability	8	图数据集压缩、图稀疏化、可扩展层设计
Heterophily / Oversmoothing / Oversquashing	8	异质图、过平滑、过挤压
Long-range Dependencies / Curvature	5	长程依赖、曲率重连
Spectral Methods / Random Walks	5	谱方法、随机游走
Knowledge Distillation	2	力场蒸馏、符号发现
Hypergraphs / Topological Deep Learning	9	超图、拓扑深度学习
Expressivity（含同态、泛化）	12	表达力理论
Distribution Shifts / OOD / Anomaly Detection	6	分布偏移与异常
Graph Diffusion / Graph Matching	若干	扩散生成、图匹配
Adversarial Attacks / Robustness / Poisoning	8	安全与鲁棒
Explainability / Game Theory	若干	可解释性、博弈
Temporal Graphs / Dynamic Graphs / Time Series	10+	时序与动态图
Knowledge Graphs / Heterogeneous Graphs	若干	知识图谱、异质图
Transfer Learning / Pre-Training / Prompting	7	迁移、预训练、提示
Graph Transformers / Graph Language Models / LLM	10+	图 Transformer、图语言模型
Directed Graphs / DAG	6	有向图、DAG
Proteins / RNA / Molecules / Equivariance / Invariance	20+	科学计算
Diffusion Models / Flow-based Modelling / Physics	若干	生成模型与物理
Reinforcement Learning / Robotics / Training	若干	强化学习、训练
Combinatorial Optimisation / LP / MILP	若干	组合优化
Uncertainty / Benchmarks / Miscellaneous	若干	校准、基准、杂项

数量为仓库清单的参考统计（255 篇总数），分类与论文条目均可在 publications_iclr25/README.md 中逐一核对。

如何用这份清单：检索、引用与追踪

1. 按主题速览：先看 submissions_iclr/2025.md 的 30+ 个主题分组，快速定位与自己的研究方向匹配的论文；
2. 取完整清单：需要更全的收录时，使用 publications_iclr25/README.md，其中每个条目都链接到仓库内对应论文子目录；
3. 引用论文：进入论文子目录（如 musegnn_iclr25/README.md），复制其中的 BibTeX 条目即可，格式示例：

@inproceedings{musegnn_iclr25,
title = {MuseGNN: Forming Scalable, Convergent GNN Layers that Minimize a Sampling-Based Energy},
author = {Haitian Jiang and Renjie Liu and Zengfeng Huang and Yichuan Wang and Xiao Yan and Zhenkun Cai and Minjie Wang and David Wipf},
booktitle = {The Thirteenth International Conference on Learning Representations (ICLR)},
year = {2025}
}

4. 读原文与讨论：每个子目录的 links 一节都提供 OpenReview 论坛链接，可直达论文全文、审稿意见与作者回复；
5. 横向对比：由于完整版清单把论文按 60 余个主题细分（如 Curvature、Proteins、MILP 等），你可以轻松对比同一主题下不同论文的方法路线，快速建立"主题-方法-论文"的对应关系。

这份清单的价值在于：它不仅是 ICLR 2025 图学习论文的静态索引，更是一张按主题织成的"研究地图"——从理论（表达力、泛化界）到结构（谱方法、拓扑、超图），从可靠性（鲁棒、投毒、OOD）到应用（分子、蛋白质、物理、时序），再到当下最热的大模型交叉（图语言模型、GNN-RAG、Prompt Tuning），足以支撑一次完整的 ICLR 2025 图学习文献调研。