该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

Nov, 2017

本论文介绍了一种新算法 ——Bayesian Graph Convolutional Network using Neighborhood Random Walk Sampling (BGCN-NRWS)，使用基于 Markov Chain Monte Carlo (MCMC) 的图采样算法利用图结构，通过使用变分推断层来减少过拟合，并且在半监督节点分类方面与现有技术保持竞争性结果。

Dec, 2021

提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

May, 2020

通过对图的随机游走产生机器可读的记录，并通过深度神经网络处理这些记录，直接进行顶点级或图级的预测，我们重新审视了图上机器学习的一个简单思想。我们称这些随机机器为随机游走神经网络，并表明我们可以设计它们成为同构不变并具备概率下图函数的通用逼近能力。一个有用的发现是，只要顶点匿名，几乎任何种类的随机游走记录都保证了概率不变性。这使得我们能够以纯文本的形式记录随机游走，并采用语言模型读取这些文本记录以解决图任务。我们进一步使用马尔科夫链理论中的工具，建立了与消息传递神经网络的并行性，并表明随机游走神经网络在构建过程中减轻了消息传递中的过度平滑，而概率性不达到则表现为概率性不足。我们展示了基于预训练模型的随机游走神经网络能够解决图上的一些难题，如分离三阶通用 WL 测试失败的强正则图、计数子结构和在 arXiv 引用网络上进行传导分类，而无需训练。代码可在此链接中获取。

Jul, 2024

我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

May, 2020

研究使用生成式对抗网络来帮助半监督图学习，提出 GraphSGAN 方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN 显著优于几种现有方法。

Sep, 2018

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

本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。

Mar, 2022

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

研究深度学习模型在保护隐私方面的挑战，尤其是在图形结构数据上应用差分隐私随机梯度下降来防止训练数据泄漏。这篇论文提出通过在给定训练图的不相交子图上训练图神经网络来解决这个问题，并且进行了大量实验来验证方法的有效性。

Jan, 2023