该研究提出了基于自监督任务的图神经网络（GNN）的迁移学习新范式，其能够有效地将自监督任务作为辅助任务在微调阶段与目标任务结合起来，通过元学习来学习辅助任务的权重，对于多任务学习，预训练和微调均表现出色。

Jul, 2021

本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

Jul, 2020

本文首次对将自我监督技术应用于操作图形数据的图卷积网络（GCNs）进行了系统探索和评估。通过提出三种机制，分析预训练和微调以及自我训练的局限性，然后专注于多任务学习，并提出了三个新的自我监督学习任务的理论原理和数值比较。最后，将多任务自我监督整合到图形对抗性训练中。实验结果表明，适当设计任务形式和整合机制可以使 GCNs 获得更强的普适性和稳健性。

Jun, 2020

本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

Feb, 2021

提出了一种新的基于图的生成模型，将多个异构学习任务统一到同一框架中，通过将图卷积网络与多个变分自编码器相结合，在不同的任务上嵌入节点，从而成功提高了所有任务的性能，推动了现有先进方法的进步。

Nov, 2019

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

本研究提出了 SelfGNN，它是一种基于对比自监督技术的图神经网络，采用批量标准化和四种图形特征增强技术来实现无监督学习。除了使用常用的图形拓扑增强技术（TA），实验证明我们提出的特征增强（FA）能够与 TA 同样好地发挥作用，而且没有计算开销。在七种公开数据集上的实验结果表明，SelfGNN 表现出较高水平的性能，与 SOTA 监督 GNN 性能相当，并且始终优于 SOTA 半监督和无监督 GNN。

Mar, 2021

研究多图之间自监管的通用特征学习问题，提出了一种使用 transformer 和 neighborhood aggregation 模块来将多个具有不同特征的图的结点向量映射到通用向量空间的方法，实现了在多个相同类型图之间学习通用特征，并在节点分类任务上取得了比只用单一个图进行自监管学习更好的效果，填补了自监管和有监管学习间的差距和提高图自监管学习的表现。

May, 2023

利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

Apr, 2024

本文提出了两种基于神经序列模型的多任务学习架构，采用 message-passing graph 神经网络的思想，构建了通信的图多任务学习框架，并在文本分类和序列标注任务上进行了大量实验，证明了其在多任务学习和迁移学习上的有效性和可解释性。

Nov, 2018