AllSet 是一种新的超图神经网络范式，利用多重集合函数以及 Deep Sets 和 Set Transformer 架构实现超图神经网络层，并在 10 个基准数据集和 3 个新数据集上展开广泛实验，结果表明 AllSet 相较于其他超图神经网络具有更高的模型灵活性和泛化能力，在分类任务上的表现更优秀。
Jun, 2021
该论文介绍了一种新颖的图转换和集合编码方法，扩展了图神经网络的设计领域，并通过 Point Set Transformer 和 Deepset-based set encoder 的应用充分验证了该方法的可行性和出色的性能。
May, 2024
本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。
Jul, 2017
我们在这篇论文中开发了 SE3Set，这是一个针对高级分子表示学习量身定制的 SE (3) 等变超图神经网络架构。SE3Set 的出色性能突显了其在各种分子结构上的转化潜力，为计算化学提供了一条更准确和物理细致建模的途径。
通过对图神经网络的线性化，本文将其拆成了基于图滤波和基于集合函数的两个部分，并发现在图滤波时采用线性结构，而在集合函数时采用非线性结构，得到了同样好的结果，从而提出了更简单且高效的建模方案。
May, 2019
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022
本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。
Oct, 2023
本研究探讨了将图而非超图作为表示实际世界互联系统的建模选择的影响，提出了超图投影导致高阶关系丢失的两个普遍模式，并量化了在无额外帮助下恢复丢失高阶结构的组合不可能性。此外，基于学习的超图重建方法通过使用超边分布的重要统计量，在不同设置下在 8 个真实世界数据集上展示了良好的性能，并通过蛋白质排名和链接预测的用例展示了重建超图的优势。
Jan, 2024
本文提出一种新的图到树神经网络模型 (Graph2Tree)，该模型包含一个图编码器和一个分层树解码器，能够对图结构的输入进行编码和树结构的输出进行解码，用于解决神经语义解析和数学问题求解，实验证明该模型在这些任务上表现优异。
Apr, 2020
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017