子图神经网络
这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架，通过将节点表示编码为子图而不是子树来表示整个图，从而比 1-WL 更强大地区分几乎所有 r 正则图，并且在基准数据集上表现出高度竞争性表现。
Oct, 2021
本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。
May, 2023
本研究提出了一种 “深 GNN，浅采样器” 设计规则，通过利用深层次的 GNN 在一个浅层、局部的子图内传递信息，避免了在全局范围内过度平滑和邻域爆炸的问题，从而提高了 GNN 的准确性和效率。通过采用各种子图采样算法和神经架构扩展，研究人员在最大的公共图形数据集上取得了最先进的准确性，同时大幅减少了硬件成本。
Dec, 2020
本篇论文提出了一种不需要标记技巧，同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型 Stochastic Subgraph Neighborhood Pooling (SSNP)，通过结合子图和其邻域的信息，以及简单的数据增强预处理步骤来多视角观察邻域的信息，并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。
Apr, 2023
提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY，前者通过哈希传递子图草图以近似 SGNN 中的关键组件，后者使用特征预计算来规避 GPU 内存限制，而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型
Sep, 2022
本研究以 k-hop 子图聚合为基础，提出了一种新的 GNN 表达能力分析视角和名为 SDF 的基于采样的节点级剩余模块，理论推导和大量实验证明 SDF 模块比以前的方法具有更高的表达能力和更高的效率。
May, 2023
本研究提出了一种名为 SubgraphX 的算法，采用蒙特卡洛树搜索来探索重要子图并使用 Shapley 值作为子图重要性的度量，从而以明确和直接的方式解释图神经网络 (GNNs) 的预测结果.
Feb, 2021
本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。
Jun, 2022
该论文介绍了如何利用有意义的子图来加强图神经网络的表达能力，并提出了一个能够同时预测图分类和辅助解释性稀疏子图的新框架，其所提供的子图能够在保持相近精度的情况下提供说明性的解释。
Apr, 2023