深度图相似性学习：综述
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。
Dec, 2018
本文提出了Deep Divergence Graph Kernels这种无监督的方法，可以学习表示图形相似性，对齐子结构，不依赖监督、领域特定知识或已知节点对齐，并取得了具有竞争力的图分类任务结果。
Apr, 2019
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
本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。
May, 2021
本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。
Feb, 2022
该研究提出了一种更易解释的基于最大公共子图推断的图相似性学习的端到端学习范式，并使用变压器编码器层和图卷积层堆叠一些基本组件，以捕获更全局的信息，并且通过可视化和统计结果验证了 INFMCS 的可解释性和对基于图的分类和回归任务的性能优于现有模型的能力。
Aug, 2022
本文是关于深度图聚类的首个全面综述，首先介绍了深度图聚类的定义和基准方法，然后提出基于四种不同标准的深度图聚类方法的分类学。此外，通过对现有工作的仔细分析，总结了来自五个方面的挑战和机遇。最后，介绍了深度图聚类在四个主要领域中的应用，并提供了 GitHub 上的深度图聚类方法的最新文献和数据集。
Nov, 2022