该研究提出了基于深度图形转换的解决方案，使用新的图卷积和解卷积层来学习传输映射，并引入一种新的条件图鉴别器，以训练生成对抗网络来实现异常图形模式的预测，实验表明该方法具有很好的效果和可扩展性。

May, 2018

我们提出了一种基于节点和边的联合评分模型的图生成方法，该方法考虑了图的所有组成部分，并结合关注模块将节点和边属性进行组合，通过图扩散过程中的节点、边和邻接信息的相互依赖关系，生成与边相关的真实世界和合成数据集的挑战性基准结果，在交通场景图生成等领域表现出明显的优势。

Feb, 2024

本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

Jun, 2020

本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题，该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式，并在真实数据集上验证了其有效性。

Jul, 2022

本文采用图表征相似的分子并通过图表征将其转换为拥有更好性质的分子，采用基于树的模型以支持多样性的输出，并用低维潜在向量扭曲转换过程以实现多样性，并且用对抗训练方法以对齐分子的分布。实验表明，该模型优于目前最先进的基准。

Dec, 2018

该研究提出了一个动态传输学习框架 DyTrans，使用基于 transformer 的时间编码模块建模动态域的时间信息，设计了动态域统一模块跨源和目标域高效地学习域不变特征，并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。

May, 2023

提出了一种新型边缘 Transformer 模型，实现了自然语言理解中的系统化概括，并在关系推理、语义解析和依赖解析等几个设置中优于 Relation-aware、Universal 和传统 Transformer 基线模型。

Dec, 2021

本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

May, 2019

通过采用轻量级范式 ENG 以 Large Language Models 为基础，增强文本属性的图数据，包括通过节点生成使用 LLMs 提取语义信息和生成样本，以及通过边缘预测器将新生成的样本与原始图结合，从而在少样本情况下促进节点分类任务。

Oct, 2023

RoSE 是一个利用大型语言模型自动将文本属性分解成轮廓性语义关系的框架，在各种数据集上显著提高了节点分类性能，最高可达 16％。

May, 2024