本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

Nov, 2019

本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构，用于学习和精炼图之间的结构对应关系，并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。

Jan, 2020

通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

Mar, 2024

本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

Jul, 2020

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

Mar, 2021

本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。

Jun, 2008

本文研究如何将对比学习与图神经网络相结合，通过简单的列处理嵌入矩阵来提高节点嵌入的质量，从而在分类任务中取得高达 1.5％的改进和超越 8 项基准测试中的现有最先进方法。

May, 2023

本文考虑了两个或多个图的部分匹配问题，采用了宇宙匹配方案，对内部匹配和异常点检测进行了建模，并且能够处理在线匹配、混合图匹配等情况，实验结果表明了方法的最先进性。

Oct, 2022