WWW / The Web Conference

Graph Retention Networks for Dynamic Graphs

动态图的图保留网络

Qian Chang, Xia Li, Xiufeng Cheng, Runsong Jia, Jinqing Yang, Guoping Hu, Ciprian Doru Giurcaneanu

机构 * University of Auckland（奥克兰大学） ； Central China Normal University（华中师范大学） ； University of Technology Sydney（悉尼科技大学） 纠错

AI总结 本文提出图保留网络（GRN），为动态图深度学习提供统一架构，通过并行化训练、低成本推理和分块长期训练实现高效、有效和可扩展的性能。实验显示其在边级预测和节点分类任务中表现优异，训练延迟低，内存占用少，推理吞吐量提升达86.7倍。

Comments Accepted as a full paper at ACM Web Conference 2026 (WWW 2026)

AdaQE-CG: Adaptive Query Expansion for Web-Scale Generative AI Model and Data Card Generation

AdaQE-CG：适应性查询扩展用于大规模生成式AI模型和数据卡片生成

Haoxuan Zhang, Ruochi Li, Zhenni Liang, Mehri Sattari, Phat Vo, Collin Qu, Ting Xiao, Junhua Ding, Yang Zhang, Haihua Chen

机构 * University of North Texas（北德克萨斯大学） ； North Carolina State University（北卡罗来纳州立大学） ； Bellevue High School（贝尔维尤高中） 纠错

AI总结 本文提出AdaQE-CG框架，通过动态信息提取与跨卡片知识迁移解决生成AI文档的三大挑战，引入MetaGAI-Bench基准，实验表明其在多个质量维度上优于现有方法，接近人类水平。

Comments This paper has been accepted to the main conference of WWW 2026

Tuning Qwen2.5-VL to Improve Its Web Interaction Skills

调优 Qwen2.5-VL 以提升其网页交互能力

Alexandra Yakovleva, Henrik Pärssinen, Harri Valpola, Juho Kannala, Alexander Ilin

机构 * Aalto University（阿尔托大学） ； University of Oulu（奥卢大学） 纠错

AI总结 本文通过调优 Qwen2.5-VL 模型，改进其在网页交互中的可靠性，解决元素定位不准确、指令敏感性和过度乐观偏差等问题，提升单次点击任务的成功率。

Comments Accepted to the Short Paper Track of ACM Web Conference 2026 (WWW 2026). The final version will appear in the ACM Digital Library