GraLSP：具有局部结构模式的图神经网络

Nov, 2019

GraLSP：具有局部结构模式的图神经网络

GraLSP: Graph Neural Networks with Local Structural Patterns

Yilun Jin, Guojie Song, Chuan Shi

TL;DR我们提出了 GraLSP—— 一种图神经网络框架，通过随机匿名游走显式地将局部结构模式纳入邻域聚合中，设计了各种机制来解决结构特征的影响，包括自适应感受野、注意力和放大，并设计了捕捉相似性的目标，结合节点邻近度目标进行优化。

Abstract

It is not until recently that graph neural networks (GNNs) are adopted to perform graph representation learning, among which, those based on the aggregation of features within the neighborhood of a node achieved great success. However, despite such achievements, GNNs illustrate defects

graph neural networks gralsp local structural patterns neighborhood aggregation prediction tasks

发现论文，激发创造

图学习网络：一种结构学习算法

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

图结构主题神经网络

本文提出了 GraphSTONE，一种基于 GCN 模型的结构话题神经网络，利用图的主题模型，从概率角度捕获广泛的指示性图结构。同时，通过设计多视图 GCN 统一节点特征和结构主题特征，并利用结构主题来指导聚合，从而达到高效和可解释性。

Jun, 2020

结构保持图表示学习

提出了一种新型的结构保持的图表示学习方法（SPGRL），通过构建特征图对原始图进行对比，在保留全局拓扑结构信息的同时最大化整幅图和特征嵌入的互信息，该方法在简单噪声扰动下表现优异，且针对半监督节点分类任务具有很高的性能。

Sep, 2022

通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

Jun, 2021

SPGNN: 通过增强图卷积和池化识别显著子图模式

提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式 GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他 GNN 方法相媲美的表现。

Apr, 2024

基于局部结构的图形对比表示学习

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023

生成式图神经网络用于链接预测

本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

Dec, 2022

带有特征和邻接矩阵对齐的强健图结构学习

本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

Jul, 2023

学习具有正节点和未标记节点的图神经网络

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

图结构学习的调查：进展与机遇

本文综述了最近在图结构学习（GSL）方法中的进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。

Mar, 2021