本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Mar, 2018

图形学习的理论基础、突破和挑战以及可能的解决方案的综合概述。

Jul, 2024

提出了图基础模型（GFMs）的概念，并对其关键特征和技术进行首次全面阐述，然后将现有工作根据其依赖性分为三类，即基于图神经网络和大语言模型。本文不仅提供了对当前图基础模型领域的综合概述，还讨论了这一发展中领域的潜在研究方向。

Oct, 2023

本文通过实证研究探索了多个领域的真实超图数据集，并引入多级分解方法，探讨了其五个结构特性，为超图生成问题建立了基础，并提出了一个简单而有效的超图生成器模型。

Jun, 2020

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

机器学习与图神经网络，尤其是使用图神经网络（GNN）的机器学习，在各个领域的图数据广泛应用中受到了广泛关注。然而，对于 GNN 的性质仍存在理论上的不完备性。最近的理论进展主要集中于阐明 GNN 的粗粒度表达能力，主要使用组合技巧。然而，这些研究与实践并不完全一致，特别是在理解使用随机一阶优化技术训练时 GNN 的泛化行为方面。在本文中，我们将论证图机器学习社区需要将关注点转向发展一个更加平衡的图机器学习理论，重点研究表达能力、泛化和优化的相互作用。

Feb, 2024

文章调查了图形水平学习的方法，系统分类了传统学习、基于深度学习的图形水平神经网络、图形池，以及图形水平图神经网络，并总结了数据集、评估指标和未来方向等。

Jan, 2023

为了填补这一重要方向的空白，我们首次对不同形式定义下增强表达能力的模型进行了综述，具体而言，我们根据三个类别（即图特性增强、图拓扑增强和图神经网络架构增强）对这些模型进行了回顾。

Aug, 2023

我们开发了一个通用的图基础模型，通过理解不同基于图的数据中的复杂拓扑模式，使其在不同下游数据集上出色地完成零样本图学习任务。

Mar, 2024

本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

Jan, 2023