子图识别的图信息瓶颈
通过引入信息瓶颈理论的设计，结合相似桥接原理和互信息估计式的互动，提出了一种新型的子图信息瓶颈架构来识别预测压缩的子图，成功去除了图数据中的噪音和冗余，具有高效和稳定性，得到了较好的优化结果和理论边界。
Mar, 2021
本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法 —— 图信息瓶颈，该方法通过优化平衡了图形网络结构和节点特征的表达方式的表达性和鲁棒性，设计了两种采样算法进行结构方面的正则化，并使用两个新模型：GIB-Cat 和 GIB-Bern 来实现 GIB 原则，证明了其比最先进的图形防御模型更具有鲁棒性。
Oct, 2020
该研究提出了一种名为 Variational Graph Information Bottleneck (VGIB) 的框架，用于识别图形中最具信息量的压缩子结构，VGIB 通过对图形施加噪声注入的方式，再通过过滤噪声来获得所需的子图，并在图解释、图神经网络的可解释性和图分类等方面进行了广泛实验。
Dec, 2021
本文提出了一种基于信息瓶颈原理的无监督子图信息瓶颈（USIB）的图解释方法，通过理论分析表明图信息建模表示的精确性与鲁棒性有助于解释性子图的可靠性。实验结果表明所提出的模型优于现有模型。
May, 2022
本文提出了一种名为 IS-GIB 的统一框架，旨在处理在图模型应用中常见的 OutOfDistribution 和类间关系问题。通过 Individual Graph Information Bottleneck（I-GIB）和 Structural Graph Information Bottleneck（S-GIB）来解决这些问题，并通过最小化互信息来消除不相关的特征和同时保持类之间的关系。在节点和图级任务上进行的广泛实验表明，IS-GIB 具有优越的泛化能力。
Jun, 2023
本文提出一种新的图信息瓶颈框架，该框架可以通过邻域瓶颈减轻结构噪声，并在优化中加入伪标签以实现对成员隐私的保护，在真实世界数据集上进行了广泛的实验，证明了我们的方法可以提供强大的预测并同时保持成员隐私。
Jun, 2023
在这项研究中，我们提出了一种新颖的解释性图神经网络框架（PGIB），将原型学习与信息瓶颈框架相结合，为模型预测提供关键子图的原型。通过广泛的实验和定性分析，证明了 PGIB 在预测性能和可解释性方面优于最先进的方法。
Oct, 2023
本文提出了一种基于认知信息瓶颈 (Recognizable Information Bottleneck, 简称 RIB) 的方法，旨在通过一种可优化的可识别性批评家，通过 Bregman 散度进行密度比匹配来规范表征的可识别性，从而优化模型并估计其泛化差距。
Apr, 2023
本文提出一种基于信息论的新型可变信息瓶颈引导图结构学习框架，即 VIB-GSL，通过学习一个有信息量和压缩性的图结构来精简下游任务所需的可操作信息。该框架可以推断出不规则图数据的变分逼近，并形成一个便于训练稳定性的可操作目标函数，经过大量实验表明，VIB-GSL 具有优越的效果和鲁棒性。
Dec, 2021