University of Connecticut

该工作沿适配、聚合与上下文构建三条轴线系统研究测试时计算对预训练表格基础模型预测的影响：提出仅训练 0.003-0.03% 参数的 DiagScale 对角查询-键相似度更新，在三个独立预训练骨干上取得与全量微调相当的增益；在 96 种配置池上贪心选择相对默认预测器降低 2.4% 误差，而均匀平均反而增大误差；注意力引导检索在部分大表上改善 TabPFN-3 预测，上下文扩展方法则无一致提升。

该工作沿适配、聚合与上下文构建三条轴线系统研究测试时计算对预训练表格基础模型预测的影响：提出仅训练 0.003-0.03% 参数的 DiagScale 对角查询-键相似度更新，在三个独立预训练骨干上取得与全量微调相当的增益；在 96 种配置池上贪心选择相对默认预测器降低 2.4% 误差，而均匀平均反而增大误差；注意力引导检索在部分大表上改善 TabPFN-3 预测，上下文扩展方法则无一致提升。

该工作提出 BHyGNN+，一个面向异质超图表示学习的自监督框架：它把超图与其对偶超图（节点与超边角色互换）的增强视图用余弦相似度进行对比，从而在不需要真实标签、也不需要负样本的情况下学习表示，并在 11 个基准数据集（含异质与同质超图及一个合成异质数据集）上取得优于监督与自监督基线的节点分类准确率。

该工作提出 BHyGNN+，一个面向异质超图表示学习的自监督框架：它把超图与其对偶超图（节点与超边角色互换）的增强视图用余弦相似度进行对比，从而在不需要真实标签、也不需要负样本的情况下学习表示，并在 11 个基准数据集（含异质与同质超图及一个合成异质数据集）上取得优于监督与自监督基线的节点分类准确率。

该工作提出 CodeScan，一个黑盒、面向特定漏洞类别的代码生成大模型投毒与后门扫描框架：它通过在不同干净提示下多次生成、结合迭代分歧分析与基于抽象语法树（AST）的归一化来提取跨生成稳定复现的结构，再用基于大模型的漏洞分析判断这些结构是否含安全漏洞，从而在防御者指定目标漏洞类别并提供任务相关提示的前提下标记被污染模型；在四类代表性攻击、后门与投毒两种设置、三类真实漏洞上，对跨三种架构和多种规模的 117 个模型进行实验，报告 97% 以上的检测准确率，且误报显著低于既有方法。

该工作提出 CodeScan，一个黑盒、面向特定漏洞类别的代码生成大模型投毒与后门扫描框架：它通过在不同干净提示下多次生成、结合迭代分歧分析与基于抽象语法树（AST）的归一化来提取跨生成稳定复现的结构，再用基于大模型的漏洞分析判断这些结构是否含安全漏洞，从而在防御者指定目标漏洞类别并提供任务相关提示的前提下标记被污染模型；在四类代表性攻击、后门与投毒两种设置、三类真实漏洞上，对跨三种架构和多种规模的 117 个模型进行实验，报告 97% 以上的检测准确率，且误报显著低于既有方法。