本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

Jul, 2019

本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

Jul, 2020

介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

Sep, 2020

Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

Sep, 2018

本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

Feb, 2020

本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。

Feb, 2023

本文提出了聚类信息传递（Cluster Information Transfer，CIT）机制，通过将不同聚类信息与节点结合，维持其独立于聚类的信息，从而学习图神经网络（GNNs）的不变表示，提高其在具有结构改变的各种未知测试图上的泛化能力，实验证明该机制显著增强了 GNNs 的性能。

Mar, 2024

提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。

Mar, 2024

本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系的元优化，使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估，结果表明，与半监督节点分类任务中最先进的方法相比，我们提出的 GIL 方法具有卓越的性能。

Jan, 2020

提出一种聚类层次的无监督学习方法（UCHL），通过学习科学论文异构图中节点（作者、机构、论文等）的表示方法，实现整张异构图上的链接预测，取得优秀成绩。

Mar, 2022