本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

Nov, 2019

本研究介绍一种基于相互信息最大化的空间时间深度图形信息增强模型，致力于解决结构变化频繁的交通、基因等复杂地理信息系统的表征问题，并证明其可显著提高空间时间自回归预测模型的预测性能。

Apr, 2019

本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

Feb, 2020

本研究提出了一种名为 High-order Deep Multiplex Infomax (HDMI) 的框架，用于在多重网络上进行自监督节点嵌入学习，通过利用高阶信息熵来获取外在与内在监督信号，结合注意力机制融合不同层的节点嵌入，取得了在无监督聚类和监督分类等领域的最新成果。

Feb, 2021

本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

Jul, 2019

本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。

Feb, 2023

本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法 DMGI，利用深度图最大化 (DGI) 的思想来最大化图的局部信息和全局表示，与关系类型的特定节点嵌入之间的差异，处理多种关系类型的节点之间的差异性，并使用注意机制来过滤不必要的关系类型，经实验证明 DMGI 的性能优于现有的最先进方法。

Nov, 2019

提出了 Coarsened Graph Infomax Pooling (CGIPool) 方法，通过最大化每个池化层输入和粗化图之间的相互信息来维护图级依赖关系，并应用对比学习和提出自注意力算法来实现相互信息神经最大化。在七个数据集上的大量实验结果证明了 CGIPool 相对于现有的最先进方法的优越性。

May, 2021

本研究提出了一种用于图数据挖掘的无监督学习方法，称为 Graph InfoClust（GIC），该方法利用可微分 K 均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

Sep, 2020

图神经网络 (GNN) 的端对端训练在大型图上存在多个存储和计算上的挑战，通过自监督的方式，我们提出了逐层规则化图信息最大化算法以逐层训练 GNN，通过解耦特征传播和特征转换来学习节点表示，从而得出基于对未来输入预测的损失函数。我们在归纳大型图上评估了算法，并展示了类似于其他端对端方法的性能，以及大幅提高的效率，使得能够在一个设备上训练更复杂的模型。我们还展示了我们的算法避免了表示过度平滑的问题，这是深度 GNN 的另一个常见挑战。

Sep, 2023