GraphOpt: 学习图形构建的优化模型
该研究提出了一种新的基于AlphaGo Zero的学习策略，将其与图嵌入和图神经网络相结合，解决了复杂的组合优化问题，同时取得了比相关方法更好的性能表现。
May, 2019
本文提出了Graph Denoising Policy Network (GDPNet)方法，使用增强学习从噪声图数据中学习鲁棒的低维表示，并在多个数据集上的节点分类任务中表现出优越性能。
Oct, 2019
本文就缺失链接预测问题提出了一种新的数据增强算法，采用因果模型来创建反事实链接，并结合观察链接和反事实链接学习图的表示，实验表明该方法在链接预测任务上具有最先进的性能。
Jun, 2021
介绍了一种使用强化学习算法LeNSE对大规模图形进行处理的低复杂度方法，可以找到原始图形中较小的子图，从而能够更高效地进行NP-hard问题的求解。
May, 2022
本文提出了一个名为SE-GSL的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。
Mar, 2023
本篇论文提出了一种基于增强学习和图网络的框架来处理优化问题，避免了传统基于优化方法规模不可扩展、启发式算法设计需要大量人工试错等问题，使得算法更加高效和可扩展。作者在真实控制问题中的实验进一步表明了这种方法的优越性。
May, 2023
该论文介绍了一种基于节点相对熵和深度强化学习的通用框架GraphRARE，以增强图神经网络的表达能力，并通过优化图的拓扑结构实现节点分类和图拓扑的优化。
Dec, 2023
利用统一矩阵公式和HL-GNN方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
Jun, 2024
本研究解决了现有强化学习方法在大规模、动态和隐私敏感环境下图路径搜索的局限性。我们提出了一种多智能体方法，能够有效利用社会网络中的同质性和结构异质性，实现分散且高效的搜索。实验结果表明，该方法在合成和真实社交网络上显著优于已有的基线方法，并能够构建适用于图导航的有意义嵌入。
Sep, 2024