我们扩展了上下文图马尔可夫模型，采用深度且概率的机器学习模型来建模边特征的分布。我们在架构上进行了改进，将边特征映射成离散状态的贝叶斯网络，并用于原始模型。通过这样做，即使在没有边特征的情况下，我们也能构建更丰富的图表示，通过在标准图分类基准测试中的性能改进得到了证实。此外，在边特征至关重要的图回归场景中成功测试了我们的提议，我们展示了所学到的边表示在三个链接预测任务上相对于原始模型的重大性能改进。由于计算复杂度与边数量线性相关，该提议的模型适用于大规模图处理。

Aug, 2023

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

本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。

Feb, 2022

通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

Oct, 2023

本研究提出了一种新的基于图的生成模型，可用于产生源代码中的语义有意义的表达式，并在实验中胜过多种强基线模型。

May, 2018

提出了一种新的基于图的生成模型，将多个异构学习任务统一到同一框架中，通过将图卷积网络与多个变分自编码器相结合，在不同的任务上嵌入节点，从而成功提高了所有任务的性能，推动了现有先进方法的进步。

Nov, 2019

该研究提出了一种新的图神经网络模型 MarkovGNN，该模型利用马尔可夫过程捕捉社区结构，并生成不同的随机矩阵用于不同的卷积层，实验结果表明，MarkovGNN 在聚类、节点分类和可视化任务方面优于其他 GNNs。

Feb, 2022

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

本文是深度生成模型应用于图生成任务方面的综述，介绍了深度生成模型的定义与预备知识，无条件图生成与条件图生成的分类、评估度量指标和深度图生成的应用，并提出了五个未来研究方向。

Jul, 2020

本文提出一种新的 GNN 设计策略，利用无上下文语法生成矩阵语言 MATLANG，从而确保 WL 表达能力，子结构计数能力和谱属性。根据该策略，设计了语法图神经网络 G$^2$N$^2$，证明了其在边级上计算长度为 6 的环并能够达到带通滤波器，实验结果证实了理论结果。

Mar, 2023