本文介绍一种基于对抗性领域适应的深度网络嵌入模型，旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系，并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明，该模型在跨网络节点分类问题上达到了最先进的表现。

Feb, 2020

本研究提出了 Grad-Align，一种全新的网络对齐方法，通过渐进地发现具有强一致性的节点对来逐步对齐节点，实现了更加准确的节点匹配。在真实世界和合成数据集的综合实验中，我们证明了 Grad-Align 在网络对齐方面优于现有的最先进的方法。

Jan, 2022

本文提出了一种基于深度神经网络结构的鲁棒人脸对齐方法 Deep Alignment Network (DAN)，DAN 采用全脸图像进行人脸对齐而非局部补丁，并通过在算法的每个阶段利用地标热图来提供之前阶段的视觉信息，从而使 DAN 处理具有大头姿态变化和困难初始化的面孔图像。我们在两个公开数据集上进行了广泛评估，结果表明 DAN 将失败率的最新技术水平降低了高达 70%。

Jun, 2017

本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE 在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

Jun, 2019

该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

Sep, 2019

网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

Oct, 2023

本文提出了一种新的动态社交网络对齐框架，并提出了深度神经结构进行优化，通过实验表明，此框架在现实世界数据集上的表现优于现有方法。

Oct, 2019

本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

Jun, 2017

本文提出了一种简单而有效的 GNN 体系结构，名为 GANN，采用三个新型的图信息对齐规则，以解决标记数据有限导致 over-smoothing 的问题，并在半监督图节点分类任务中拥有优于竞争对手的表现。

Mar, 2023

本文提出了一种基于生成对抗网络的对抗网络嵌入（ANE）框架，它通过捕捉网络结构特性和匹配潜在表示的后验分布以提高鲁棒性，可以用于节点分类、链接预测和网络可视化等任务，并在基准数据集上取得了竞争性或优异的表现。

Nov, 2017