该论文提出了一种统一框架，名为 GraphLoG，用于自监督整图表示学习，其除保留本地相似性外，还引入了分层原型来捕捉全局语义簇，进一步发展了一个高效的在线期望最大化算法来学习该模型，并在化学和生物基准数据集上进行了广泛实验，证明所提出的方法的有效性。

Jun, 2021

本文综述了利用知识图谱的视觉迁移学习方法，着重分析知识图谱的建模结构、特征提取和知识图嵌入方法，并介绍了四种知识图谱与深度学习管道的组合方式。同时，提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。

Jan, 2022

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

提出一种 Transferable Graph Generation 方法应用于 zero-shot/few-shot 学习领域，采用显式的图生成建模来解决隐式方法的关系不充分的问题。通过由一个基于注意力机制的图生成网络和一个关系核心生成与学习充分，从而实现对未知领域的知识迁移。

Aug, 2019

该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

Apr, 2023

本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的 30 多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。

May, 2020

在 LLMs 时代，通过综述文章，我们首先回顾了图机器学习的最新发展，然后探讨了 LLMs 如何提高图特征的质量，减少对标记数据的依赖，并解决图的异质性和分布外泛化等挑战。此外，我们研究了图如何增强 LLMs，并突出它们在 LLMs 的预训练和推理中的能力。最后，我们探讨了这个有前景的领域的各种应用和潜在的未来方向。

Apr, 2024

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

本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

Jul, 2019

本文使用图表征学习的方法来解决不同测量源所生成的多视图表格数据的无监督建模问题，并提出了一个基于数据驱动的方法，将特征集表示为图节点，通过可学习的边来表示它们之间的关系，并引入了一种新的分层图自编码器 LEGATO，学习一个小的潜在图来动态地汇集多个视图的信息，并采用定位信息来对输入进行建模，因此能更好地提高下游性能。

May, 2023