本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。
Feb, 2022
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
本研究综述了基于图形神经网络在自然语言处理中的应用，并提出了一个新的分类（基于图构建、图表示学习和基于图的编码器 - 解码器模型），同时介绍了许多利用 GNN 的 NLP 应用程序，并总结了相应的基准数据集、评估指标和开源代码；最后，讨论了利用 GNN 进行 NLP 的各种未解决问题以及未来的研究方向。
Jun, 2021
人工智能发展历史中，高质量数据对各种深度学习模型的影响显著。最近，与基于模型的方法相比，AI 社区的关注重点转向了基于数据的方法，即更好地处理数据以增强神经模型的能力。这项调查从数据为中心的角度全面回顾了图学习方法，并旨在回答两个关键问题：（1）何时修改图数据和（2）如何修改图数据以发掘各种图模型的潜力。我们提出了一个基于图学习流程阶段的新分类法，并强调了处理图数据中不同数据结构（如拓扑、特征和标签）的方法。此外，我们分析了嵌入图数据中的一些潜在问题，并讨论了如何以数据为中心的方式来解决它们。最后，我们提供了一些关于数据为中心的图学习未来发展方向的前景。
Oct, 2023
文章调查了图形水平学习的方法，系统分类了传统学习、基于深度学习的图形水平神经网络、图形池，以及图形水平图神经网络，并总结了数据集、评估指标和未来方向等。
Jan, 2023
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
本文总结和分类大规模图神经网络解决方案的重要方法和技术，并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。
May, 2023
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用，提出了四种图神经网络的分类，并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估，并提出了该领域的潜在研究方向。
Jan, 2019
该论文综述了基于不同类型的深度学习模型（如图卷积神经网络和图注意力网络）在通信网络的各种问题中如何建模网络拓扑结构，并列出了每个研究的问题和解决方案的列表，并确定了未来的研究方向。此外，该研究是第一份聚焦于基于图的深度学习方法在涉及有线和无线场景的通信网络中的应用的综述，并创建了一个公共的 GitHub 存储库以追踪后续研究。