本文介绍了 Deep Graph Library（DGL）的设计原则和实现方法，DGL 将 GNNs 的计算模式提炼成几个泛化的稀疏张量操作，适合大规模并行化。DGL 以图形为中心编程抽象，能够透明地进行优化。同时 DGL 采用了框架中立的设计，允许用户在多个深度学习框架中轻松移植和利用现有的组件。我们的评估表明，在各种基准测试中，DGL 在速度和内存消耗方面都显著优于其他流行的面向 GNNs 的框架，并且对于小规模工作负载的开销很小。

Sep, 2019

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

本文提出了一种名为 IDGL 的端到端图学习框架，可以联合学习图结构和图嵌入，并将图学习问题转化为相似度度量学习问题，使用图正则化来控制学习图的质量，使用基于锚点的近似技术提高其可伸缩性。IDGL 模型在九个基准测试中表现优异，并能够更好地应对恶意图和在归纳和转导学习中的应用。

Jun, 2020

本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

Oct, 2022

本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

Nov, 2019

本文介绍了 DistDGL 系统，作为基于 Deep Graph Library（DGL）进行开发的图神经网络（GNN）的分布式训练系统，具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法，并支持非本地节点组成的自我网络进行小批量训练。经过优化后，该系统可以在线性速度下训练高质量的模型，并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。

Oct, 2020

本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法，针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务，通过因式特征传播 (Factorized Feature Propagation) 方案加以改进，充分考虑到来自 U 和 V 两个异构节点集的影响，实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验，验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性，与最佳基准模型相比，EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%，在曲线下面积 (AUC) 方面提高 1.86%。

Jun, 2024

本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。

Dec, 2019

本文提出一种新颖的认知图层（EGLayer），以实现深度模型和结构化知识图间信息更有效交换，进而实现更有效的表示学习，从而将人类混合学习应用于计算机视觉任务。

May, 2023

该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

Oct, 2019