ICLR 2026 GNN 연구 트렌드: 메시지 패싱 이후 확장된 연구 의제

Corpus: ICLR 2026 본회의 Oral·Poster 중 GNN, graph learning, graph transformer, topological neural network, graph foundation model을 핵심 방법이나 평가 대상으로 삼은 논문. 공식 ICLR 2026 Papers와 OpenReview 채택 상태를 기준으로 확인했다.

Abstract: ICLR 2026에서도 새로운 message-passing operator와 graph architecture는 주요 연구 대상이다. 이번에 검토한 논문들은 성능 향상뿐 아니라 그 원인과 적용 범위를 함께 묻는다. oversmoothing·oversquashing 통념을 반례로 점검하고, long-range benchmark가 실제로 장거리 정보를 요구하는지 검증한다. Graph Foundation Model은 모델 크기보다 추가 학습 없는 domain adaptation과 alignment에 초점을 맞추며, Graph Transformer 연구는 tokenization과 topology interface까지 설계 범위를 넓힌다. higher-order topology, temporal graph infrastructure, 물리 제약을 넣은 scientific GNN, 설명 평가의 통계적 검증도 같은 프로그램에서 확인된다. 분석 대상은 공식 채택과 최종 버전을 확인한 대표 논문이며, ICLR 2026 전체에 대한 전수 계량 분석은 아니다.

---

Executive Summary

항목	설명
분석 질문	ICLR 2026 본회의의 GNN 논문들은 어떤 문제를 반복해서 다루며, 2024–2025년의 연구 질문에서 무엇이 달라졌는가?
근거 범위	공식 프로그램에서 관련 제목을 탐색한 뒤 채택 상태·최종 버전·GNN 중심성을 재검증했다. 참고문헌의 대표 논문을 주요 근거로 사용했으며, 논문 수로 분야 비중을 추정하지 않았다.
핵심 판정	새 아키텍처 연구는 계속되지만, 평가와 진단·cross-domain 전이·graph-to-model interface·도메인 제약을 함께 다루는 연구 포트폴리오가 넓어졌다.
대표 흐름	평가·이론 재점검, Graph Foundation Model, Graph–LLM/Transformer interface, higher-order topology, temporal·OOD·신뢰성, domain-integrated scientific GNN.
주의할 점	GNN과 GraphRAG·knowledge graph reasoning·geometric learning의 경계가 넓어 정확한 논문 수는 포함 기준에 민감하다. Oral·Poster 선정만으로 연구 방향의 우열을 단정할 수도 없다.

목차

1. 조사 범위와 읽는 법
2. 해결책 연구와 함께 커진 진단 연구
3. Graph Foundation Model은 무엇을 뜻하게 됐나
4. Graph interface도 독립된 연구 문제다
5. 노드 쌍을 넘어선 위상과 동역학
6. 과학·신뢰성으로 넓어지는 GNN
7. 선행 의제가 ICLR 2026에서 구체화된 방식
8. 앞으로 유망한 연구 질문
9. 결론

---

1. 조사 범위와 읽는 법

1.1 무엇을 GNN 논문으로 보았나

ICLR 2026에는 제목에 graph가 들어간 논문이 많다. 하지만 그래프 알고리즘, causal graph 추정, agent topology, scene graph 생성은 모두 같은 의미의 GNN 연구가 아니다. 포함 범위는 다음과 같이 정했다.

구분	포함 기준
Core GNN	GNN·MPNN·graph transformer를 주 모델로 사용하거나 그 표현력·학습·평가를 직접 연구
Graph-native adjacent	graph foundation model, temporal graph library, graph generation, GNN 설명·보정처럼 core GNN 연구에 직접 영향을 주는 작업
Topological/geometric adjacent	sheaf·simplicial·cellular complex·equivariance가 graph message passing과 명시적으로 연결된 작업
제외	단순 제출·철회·워크숍 전용 논문, 순수 조합 그래프 알고리즘, 그래프가 시각화나 데이터 표현으로만 등장하는 논문

공식 ICLR 2026 paper index에서 GNN, graph neural, graph learning, graph transformer, topological neural, sheaf, hypergraph, temporal graph, graph generation, graph foundation과 관련된 제목을 넓게 탐색했다. URL 기준으로 중복을 제거하고, 공식 프로그램이나 OpenReview에 본회의 채택이 표시되지 않은 항목을 제외한 뒤 초록과 최종 버전에서 graph learning의 역할을 다시 확인했다. 여기에는 graph reasoning, GraphRAG, knowledge graph, molecular graph처럼 경계 사례가 섞이므로 논문 수 자체를 트렌드의 강도로 사용하지 않았다.

분석의 주요 근거와 각 논문의 역할은 다음과 같다. 표에 없는 graph-adjacent 연구는 해석 범위를 넓힐 때만 언급하며, 정량 주장의 근거로 사용하지 않는다.

분석 축	Primary evidence
개념·평가 재점검	Demystifying Common Beliefs, LRIM, Expressivity–Generalization, Minimax Sample Complexity
GFM·cross-domain 전이	Modality-Free Graph In-context Alignment, GraphGlue
Graph–Transformer/LLM interface	Graph Tokenization, Actions Speak Louder than Prompts
Higher-order topology	Differentiable Lifting, Cooperative Sheaf Neural Networks
Temporal infrastructure	TGM
Scientific/geometric graph learning	DemoDiff (Graph Diffusion Transformers), Function-Centric Electron Density GNN, Hamiltonian Graph Networks
신뢰성 평가	Certified Evaluation of Model-Level Explanations

1.2 트렌드를 판단한 기준

트렌드 판단에는 논문 수 외에 다음 세 조건을 적용했다.

1. 서로 다른 연구팀이 같은 실패 양상이나 병목을 독립적으로 다루는가?
2. architecture, benchmark, theory, system 논문이 같은 방향을 가리키는가?
3. 한 모델의 성능 향상이 아니라 평가 기준이나 문제 정의 자체가 바뀌고 있는가?

공통점은 해법을 제안하기 전에 문제 정의와 측정법부터 검증한다는 데 있다.

---

2. 해결책 연구와 함께 커진 진단 연구

2.1 GNN의 오래된 통념을 분리해서 보기

깊은 message passing에서는 노드 표현이 비슷해지는 oversmoothing, 먼 정보가 좁은 경로에 압축되는 oversquashing, 서로 다른 label의 노드가 연결되는 heterophily, 장거리 의존성을 포착하지 못하는 under-reaching이 자주 함께 거론된다. 그러나 원인과 실패 조건은 서로 다르다.

Oversmoothing, “Oversquashing”, Heterophily, Long-Range, and more는 널리 받아들여진 여러 명제가 항상 참은 아니며, 단순한 반례만으로도 개념 사이의 혼동을 드러낼 수 있다고 지적한다. 논문의 기여는 새로운 해결책보다 정확한 연구 질문을 다시 세우는 것에 가깝다.

비슷한 문제의식은 측정법으로 이어진다.

• LRIM은 기존 long-range benchmark가 실제로 장거리 정보를 요구한다는 보장이 약하다고 지적한다.

LRIM은 Ising model을 이용해 정답이 장거리 의존성에 의해 결정되는 열 개의 데이터셋을 구성하고, 그래프 크기를 256개 노드에서 65,000개 수준까지 확장한다. 초점은 특정 모델의 순위보다 과제 구성에 있다. Local information만으로 풀 수 없도록 장거리 의존성을 먼저 보장한다.

2.2 표현력은 높을수록 좋은가

GIN 이후 GNN 이론의 대표 질문은 “어떻게 1-WL보다 더 많은 구조를 구별할 것인가”였다. ICLR 2026에서는 표현력의 비용이 전면에 나온다.

질문	ICLR 2026에서 강화된 관점
더 많은 그래프를 구별할 수 있는가	그 구조적 차이가 downstream task에 필요한가
더 높은 WL 차수에 도달하는가	표본 수와 계산량이 그 복잡도를 감당하는가
훈련 그래프에서 잘 맞는가	다른 graph family와 domain shift에서도 일반화하는가
표현을 자세히 보존하는가	일반화와 계산 비용은 무엇인가

Graph Representational Learning: When Does More Expressivity Hurt Generalization?은 훈련·테스트 그래프의 구조적 거리, 모델 복잡도, 표본 수를 함께 고려한다. 표현력이 낮을수록 좋다는 뜻은 아니다. 데이터가 부족하거나 구조적 distribution gap이 크면, 표현력이 높은 모델도 일반화를 자동으로 보장하지 못한다.

Minimax Sample Complexity of Graph Neural Networks도 topology가 표본 효율에 개입한다고 본다. 일반 신경망과 같은 단순한 표본 복잡도 직관만으로는 실제 graph task의 난도를 설명하기 어렵다는 주장이다. 이 두 연구를 함께 읽으면 2026년의 표현력 연구는 다음 질문으로 정리된다.

표현력의 최대값이 아니라, 필요한 표현력을 어떤 데이터 조건과 비용 아래 선택할 것인가?

2.3 benchmark는 순위표가 아니라 진단 장치가 된다

Benchmark 수의 증가는 그 자체로 진전이 아니다. 서로 고립된 데이터셋은 leaderboard만 하나 더 만들 수 있다. 주목할 변화는 실패 원인을 분리하도록 평가를 설계한다는 점이다.

LRIM은 장거리 의존성을 보장하고, expressivity–generalization 연구는 모델 복잡도와 구조적 distribution gap을 함께 측정한다. Certified Evaluation은 class score 대신 sufficiency risk와 confidence interval을 평가한다. 공통점은 모델을 비교하기 전에 과제의 성질, 비교 범위, 계산 예산, baseline 강도를 고정한다는 데 있다. 이를 평가 우선(evaluation-first) graph learning으로 묶을 수 있다.

---

3. Graph Foundation Model은 무엇을 뜻하게 됐나

3.1 큰 graph encoder만으로는 부족하다

Graph Foundation Model(GFM)의 어려움은 언어 모델과 다르다. 자연어는 tokenizer와 vocabulary를 어느 정도 공유하지만, 그래프는 데이터셋마다 feature 차원·feature 의미·edge 유형·label space가 달라진다. 하나의 graph encoder를 크게 만드는 것만으로는 새 도메인에 바로 적용하기 어렵다.

GFM의 범용성을 비교하려면 다음 다섯 조건을 구분해야 한다. 한 논문이 이 조건을 모두 만족할 필요는 없다.

조건	의미
Input-agnostic	feature 차원과 값의 의미가 달라도 입력을 받을 수 있어야 함
Modality-free	원문·이미지 등 raw modality가 없고 embedding만 있어도 적응해야 함
Promptable	소수의 support example로 task를 지정할 수 있어야 함
Parameter-update-free	새 그래프마다 full fine-tuning을 요구하지 않아야 함
Cross-domain	학습 때 없던 graph family와 domain으로 전이해야 함

Modality-Free Graph In-context Alignment은 gradient fingerprint로 도메인 특성을 표현하고, pre-encoded feature와 label을 support set에 맞게 정렬한다. 추론 시 추가 파라미터 업데이트 없이 새로운 graph domain에 적응하는 것이 목표다.

GraphGlue는 여러 graph dataset을 하나의 smooth Riemannian manifold로 연결하는 관점을 제안한다. 여기서 scaling은 parameter count만 늘리는 일이 아니라, 더 많은 domain을 연결했을 때 transferability를 유지할 수 있는 geometry를 만드는 문제다.

3.2 아직 하나의 범용 GFM은 없다

이 논문들을 “그래프의 GPT가 등장했다”는 식으로 읽으면 곤란하다. 각 방법은 범용성의 한 조각을 해결한다.

• GraphGlue는 domain 사이에 매끄럽게 연결 가능한 geometry가 있다는 가정에 의존한다.
• Modality-free alignment는 이미 유용한 pre-encoded feature가 주어졌다는 전제가 있다.
• domain-specific GFM은 그 도메인 밖에서도 foundation model인지 별도로 검증해야 한다.

이를 종합하면 ICLR 2026의 GFM 연구는 완성된 범용 모델보다 기존의 feature·domain·task·adaptation 병목을 parameter-update-free adaptation과 alignment 문제로 구체화하는 데 가까웠다.

---

4. Graph interface도 독립된 연구 문제다

4.1 attention 설계에서 tokenization으로

Local message passing과 global attention의 결합, positional encoding 설계는 여전히 중요하다. 한편 ICLR 2026에서는 graph를 범용 backbone에 전달하는 front-end도 독립된 연구 문제로 다뤄졌다.

Graph Tokenization for Bridging Graphs and Transformers은 reversible graph serialization과 Byte Pair Encoding(BPE)을 결합한다. 그래프의 빈번한 substructure가 하나의 token으로 합쳐지도록 순서를 설계하고, 별도 graph-specific architecture 없이 BERT 계열 Transformer를 graph benchmark에 적용한다. 최종 논문의 저자 보고 기준 14개 benchmark에서 SOTA를 기록했고, 여러 조건에서 기존 GNN과 specialized graph transformer를 앞섰다. 이 수치가 대형 단일 그래프의 node/link task나 cross-domain tokenizer 전이까지 보장하는 것은 아니다.

Graph Diffusion Transformers are In-Context Molecular Designers는 Node Pair Encoding으로 분자를 motif 단위로 토큰화해 기존 대비 약 5.5배 적은 node를 사용하고, 0.7B parameter diffusion transformer를 33개 분자 설계 과제에 적용한다.

두 논문은 layer 설계보다 앞단의 표현 문제를 묻는다.

그래프를 범용 Transformer가 잃지 않고, 짧게, 재사용 가능하게 읽을 단위는 무엇인가?

4.2 Graph × LLM은 prompt보다 interaction protocol

Actions Speak Louder than Prompts는 LLM이 text-rich graph를 다루는 방식을 prompting, tool use, code generation으로 나눠 통제 비교한다. 저자 보고에서는 text-rich node classification의 통제된 실험 범위에서, 긴 text feature나 높은 degree 때문에 prompt가 token budget에 부딪히는 조건에서 code generation 방식이 가장 강했다.

이 결과는 LLM이 GNN보다 낫다는 뜻이 아니다. Graph 처리 성능은 모델 크기뿐 아니라 허용된 행동 공간과 인터페이스에도 좌우됐다.

인터페이스	장점	주요 위험
Natural-language serialization	구현이 단순하고 범용 LLM을 바로 사용	긴 graph에서 token 폭증, topology 손실
Structural token	짧고 backbone과 결합하기 쉬움	압축 과정에서 node identity와 세부 관계 손실 가능
Tool/API traversal	필요한 subgraph만 탐색 가능	tool 설계와 호출 정책에 성능이 종속
Code generation	graph algorithm과 feature 처리를 명시적으로 실행	실행 안전성·latency·재현성 관리 필요
GNN–LLM alignment	연속 graph representation을 보존	alignment data와 projector가 새로운 병목이 됨

이 결과는 GraphRAG와 agent 연구에도 이어진다. GraphRAG 전체를 core GNN 방법론으로 볼 수는 없지만, 그래프를 LLM context에 넣는 것만으로 충분하지 않다는 점은 분명하다. 무엇을 읽고 어떤 연산을 실행하게 할지를 따로 설계해야 한다.

---

5. 노드 쌍을 넘어선 위상과 동역학

5.1 higher-order relation을 미리 정하지 않고 학습하기

일반적인 GNN은 두 노드를 잇는 edge를 기본 단위로 삼는다. 그러나 여러 주체의 동시 상호작용이나 cycle·clique·group relation은 pairwise edge만으로 표현하기 어렵다.

Differentiable Lifting for Topological Neural Networks은 graph를 hypergraph·simplicial complex·cellular complex로 변환하는 lifting을 사전에 고정하지 않는다. 후보 higher-order cell의 포함 확률을 downstream task와 함께 학습하며, 저자 보고 기준 일부 설정에서 static lifting보다 최대 45%의 향상을 보였다.

sheaf 계열은 정보 흐름 자체를 더 세밀하게 만든다. Cooperative Sheaf Neural Networks는 node가 정보를 보낼지와 받을지를 독립적으로 정하게 하고, 불필요한 중간 node를 무시하면서 먼 node의 정보를 선택적으로 받을 수 있는 조건을 분석한다.

병목은 계산량이다. 모든 higher-order cell을 만들면 후보 수가 급격히 증가한다. 구조의 수를 늘리기보다 task에 필요한 relation을 희소하게 선택한 뒤 그 선택을 검증하는 방법이 실제로 유효한지 확인해야 한다.

5.2 temporal graph는 architecture보다 문제 정의가 어렵다

Temporal graph에서는 node와 edge뿐 아니라 feature, text, label, 관측 간격, graph의 의미까지 변한다. 이를 static snapshot의 연속으로 바꾸면 시간 정보가 손실될 수 있다. continuous-time과 discrete-time 방법은 실험 조건을 맞추기도 어렵다.

TGM은 continuous-time dynamic graph와 discrete-time dynamic graph를 하나의 라이브러리에서 지원하고, dynamic node feature와 node/link/graph task를 공통 interface로 묶는다. 저자 보고 기준 기존 DyGLib 대비 여러 설정에서 평균 7.8배의 실행 속도 향상과 graph discretization 175배 향상을 보고한다.

TGM만으로 dynamic GFM의 출현을 말할 수는 없다. 다음 과제는 timestamp encoding 하나를 개선하는 데서 그치지 않고, structure·time·text·신규 entity의 변화를 하나의 adaptation 문제로 다루는 모델을 검증하는 일이다.

---

6. 과학·신뢰성으로 넓어지는 GNN

6.1 scientific GNN은 범용 encoder보다 계산 언어에 가깝다

분자·재료·단백질·물리 문제에서 graph는 단순한 데이터 포맷이 아니다. 대칭성, 결합, 상호작용, 보존 법칙을 표현하는 계산 언어다.

현재 근거가 보여 주는 변화	대표적인 방향
원자 단위 표현	motif를 묶는 node-pair encoding으로 분자 graph 압축
범용 aggregation	basis overlap 같은 domain operator를 message passing에 삽입
반복 최적화 중심 학습	특정 Hamiltonian GNN에서 random-feature parameter construction 사용

A Function-Centric GNN Approach for Predicting Electron Densities는 basis function의 overlap matrix를 message passing에 직접 사용한다. 저자들은 QM9의 최대 9개 heavy atom 분자로 학습한 모델이 전체 atom 수가 약 200개에 이르는 더 큰 분자로 일반화하는 결과를 보고한다.

Rapid Training of Hamiltonian Graph Networks은 iterative gradient optimization 대신 random-feature parameter construction을 사용한다. 특정 Hamiltonian graph network와 물리 시뮬레이션 설정에서 150–600배의 학습 가속을 보고하지만, 이를 일반적인 GNN 학습 전체의 대체법으로 확대해서 읽어서는 안 된다.

DemoDiff는 motif 수준의 압축과 in-context conditioning을 결합한다. 평가 범위가 분자 생성 전반을 대표하지는 않는다. 남은 과제는 분포 적합도와 물리적 타당성·합성 가능성·downstream utility를 같은 조건에서 검증하는 일이다.

6.2 trustworthy GNN은 설명 생성보다 설명 검증으로

설명 연구에서도 평가 기준을 먼저 점검하는 접근이 보인다.

Certified Evaluation of Model-Level Explanations은 높은 class score를 만드는 motif가 반드시 모델의 전체 판단 방식을 충분히 설명하지는 않는다고 지적한다. sufficiency risk를 정의하고 Coverage, Greedy Gain Area, Overlap과 finite-sample confidence interval을 제안해 설명 평가의 통계적 타당성을 다룬다.

이 결과를 trustworthy GNN 전체의 변화로 일반화할 수는 없다. 그래도 accuracy에 설명 metric 하나를 덧붙이는 관행에서 벗어나, 보장 범위와 표본 조건을 명시했다는 점은 분명하다.

---

7. 선행 의제가 ICLR 2026에서 구체화된 방식

아래 표는 빈도 비교가 아니다. 2024–2025년에 제기된 질문이 ICLR 2026 대표 논문에서 어떤 운용·평가 문제로 구체화됐는지 대응시킨다.

선행 연구에서 제기된 질문	ICLR 2026 대표 evidence에서 구체화된 질문
어떤 rewiring·residual·global attention이 oversquashing을 줄이는가	해당 task가 실제 장거리 정보를 요구하며 현재 metric이 병목을 포착하는가
더 높은 WL 표현력을 어떻게 얻는가	표현력 증가가 일반화·표본 복잡도·계산비용을 악화시키지 않는가
GNN과 Transformer를 어떤 layer 구성으로 섞는가	그래프를 어떤 token·serialization·topology interface로 전달할 것인가
LLM과 GNN을 결합할 수 있는가	LLM이 graph에서 어떤 tool·code·traversal을 실행해야 하는가
큰 graph model을 사전학습할 수 있는가	새 feature space와 graph domain에 parameter update 없이 적응하는가
temporal architecture의 정확도가 높은가	시간 분할·baseline·신규 node·text evolution을 포함해 평가가 타당한가
평균 benchmark 성능이 높은가	OOD·calibration·latency·설명 sufficiency·hard validity가 함께 검증되는가
범용 GNN을 과학 데이터에 적용하는가	domain operator와 물리 제약을 모델의 계산 구조에 직접 넣을 수 있는가

표가 보여 주는 변화는 GNN의 대체가 아니다. Graph inductive bias를 배치하는 위치가 달라졌다.

• backbone 내부의 message-passing layer
• graph tokenizer와 structural front-end
• domain alignment와 prompt
• tool·solver·retrieval interface
• 물리·위상 operator

검토한 논문에서는 그래프 구조를 다루는 책임이 하나의 GNN layer에 머물지 않고 시스템 여러 부분으로 나뉜다.

---

8. 앞으로 유망한 연구 질문

8.1 Graph-native in-context foundation model

향후 과제는 feature space 정렬, 구조 tokenization, support graph 기반 task 지정, fine-tuning 없는 예측을 하나의 모델에서 연결하는 일이다. 이때 성능과 함께 calibration과 real-world OOD를 평가해야 한다.

8.2 Expressivity–generalization–efficiency 공동 설계

WL 차수나 receptive field를 고정해서 최대화하기보다, 데이터 크기·domain gap·task의 장거리성에 따라 필요한 구조만 선택하는 adaptive model이 유망하다. higher-order cell과 long-range edge도 같은 방식으로 선택할 수 있다.

8.3 Graph-native agent interface

거대한 graph를 자연어로 직렬화하기보다 structural token, graph database query, code execution, symbolic solver를 조합해야 한다. 어떤 interface를 선택할지 자체를 학습하거나 계획하는 agent도 연구 대상이 된다.

8.4 Dynamic multimodal graph foundation model

structure와 timestamp만이 아니라 text·image·sensor feature·신규 entity·label semantics가 함께 변하는 환경을 다뤄야 한다. temporal graph library와 dynamic text-attributed benchmark가 이 방향의 기반이 된다.

8.5 Constraint-aware scientific graph generation

SE(3) symmetry, bond topology, synthesizability, conservation law를 사후 점수로만 확인하지 않고 생성 과정에 hard constraint나 domain operator로 넣어야 한다. 실제 실험 성공이나 solver utility로 이어지는지도 별도로 검증해야 한다.

8.6 Evaluation-first graph learning

새 architecture를 제안하기 전에 다음 다섯 항목부터 확인할 필요가 있다.

1. 이 과제는 실제로 long-range·higher-order·temporal reasoning을 요구하는가?
2. 단순 heuristic와 shallow baseline을 충분히 이겼는가?
3. transductive 성능이 inductive/OOD 성능으로 이어지는가?
4. 계산량·latency·memory·token budget을 같은 조건에서 비교했는가?
5. uncertainty와 explanation metric에 통계적 보장이 있는가?

---

9. 결론

ICLR 2026의 GNN 연구는 architecture를 떠나지 않았다. 다만 새 message-passing layer의 성능만으로는 기여를 설명하기 어려워졌다. 대표 논문들은 실패 양상과 benchmark의 타당성을 진단하고, 표현력의 비용, cross-domain adaptation, graph interface, 과학적 constraint를 각각 검증 가능한 문제로 바꿨다.

이 흐름을 “Graph Transformer의 승리”나 “Graph Foundation Model의 해”처럼 하나의 이름으로 묶기는 어렵다.

GNN 연구는 더 강한 layer를 찾는 일에 더해, 필요한 구조를 선택하고 다른 시스템에 전달하며 그 효과를 검증하는 단계로 확장되고 있다.

평가 기준도 달라져야 한다. Parameter 수보다 graph inductive bias의 필요성, 새로운 domain에서의 성능, 계산 비용과 실패 조건을 함께 보고해야 한다.

---

References

• Arnaiz-Rodríguez, A., & Errica, F. (2026). Oversmoothing, “oversquashing”, heterophily, long-range, and more: Demystifying common beliefs in graph machine learning. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10009626
• Chmura, J., Huang, S., Ngo, T. G. B., Parviz, A., Poursafaei, F., Leskovec, J., Bronstein, M., Rabusseau, G., Fey, M., & Rabbany, R. (2026). TGM: A modular and efficient library for machine learning on temporal graphs. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10007809
• Finkelshtein, B., Cucerzan, S., Jauhar, S. K., & White, R. (2026). Actions speak louder than prompts: A large-scale study of LLMs for graph inference. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10009927
• Franco, J., Duarte, G., Nikitin, A., Ponti, M., Mesquita, D., & Souza, A. (2026). Differentiable lifting for topological neural networks. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10008342
• Ghasemi, A., & Pishro-Nik, H. (2026). Minimax sample complexity of graph neural networks: Lower bounds and structural effects. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10009723
• Guo, Z., Diao, E., Yang, C., & Shi, C. (2026). Graph tokenization for bridging graphs and transformers. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10007901
• Klockow, M. V., Ickler, M., Lippmann, P., & Hamprecht, F. A. (2026). A function-centric graph neural network approach for predicting electron densities. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10010413
• Liu, G., Chen, J., Zhu, Y., Sun, M., Luo, T., Chawla, N., & Jiang, M. (2026). Graph diffusion transformers are in-context molecular designers. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10007697
• Maskey, S., Paolino, R., Jogl, F., Kutyniok, G., & Lutzeyer, J. (2026). Graph representational learning: When does more expressivity hurt generalization? The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10010886
• Mathys, J., Christiansen, H., Errica, F., Maruyama, T., & Alesiani, F. (2026). LRIM: A physics-based benchmark for provably evaluating long-range capabilities in graph learning. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10010328
• Rahma, A., Datar, C., Cukarska, A., & Dietrich, F. (2026). Rapid training of Hamiltonian graph networks using random features. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10011739
• Ribeiro, A., Tenorio, A. L., Belieni, J., Souza, A., & Mesquita, D. (2026). Cooperative sheaf neural networks. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10011050
• Saha, S., & Bandyopadhyay, S. (2026). Certified evaluation of model-level explanations for graph neural networks. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10008086
• Sun, L., Huang, Z., Chen, S., Yang, L., Ye, J., Su, S., & Yu, P. (2026). Multi-domain Riemannian graph gluing for building graph foundation models. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10010537
• Zhuo, W., & Luo, S. (2026). Modality-free graph in-context alignment. The Fourteenth International Conference on Learning Representations. https://iclr.cc/virtual/2026/poster/10008531