本文提出了一种基于课程学习的图神经网络框架（GNN-CL），包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失，通过动态调整这两个模块的权重实现更好的泛化和判别能力。该框架在多个广泛使用的图数据集上进行评估，结果表明我们的模型始终优于现有最先进的方法。

Feb, 2022

该论文引入了 Mixture-of-Expert（MoE）思想到图神经网络中，提出了一种新的 Graph Mixture of Expert（GMoE）模型，用于同时建模多样的训练图结构，通过在 OGB 基准测试中表现的提升来验证 GMoE 的有效性。

Apr, 2023

通过使用一种特殊设计的学生模型（Routing-by-Memory）来解决节点分类任务中的性能问题，该模型是一种专家混合（Mixture-of-Experts），通过鼓励每个专家在隐藏表示空间的某个特定区域进行专门化，实验证明可以在多个数据集上实现更一致的性能。

Jun, 2024

开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

Mar, 2021

这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法：GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后，本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统，并就可伸缩 GNNs 的未来方向进行了讨论。

Nov, 2022

该研究论文提出了一种因果解缠多粒度图表示学习方法（CDM-GNN），用于解决图数据建模中多粒度特征的融合问题，该方法在图分类任务中表现出强大的性能，并生成与人类认知模式相一致的解释结果。

Oct, 2023

在这篇论文中，我们介绍了一种独特的方法，通过考虑图异质性来解决图中的不平衡分类问题。我们研究了类别不平衡和图异质性之间的错综复杂关系，发现少数类别不仅样本稀缺，而且表现出较低的同质性水平，这导致错误信息在相邻节点之间传播。基于这一洞察，我们提出了一种名为 Fast Im-GBK 的高效方法，将不平衡分类策略与意识到异质性的图神经网络相结合，以有效解决类别不平衡问题，并显著减少训练时间。我们在实际图数据上的实验证明了我们的模型在节点分类任务中相比现有基线方法具有更好的分类性能和效率。

Oct, 2023

本文提出了一种名为 GraphMixup 的基于混合的框架，旨在改善图网络中的节点不平衡分类任务，通过使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息，并提出了针对图数据的 Edge Mixup 具体方法以及一种自适应机制 Reinforcement Mixup。实验结果表明，GraphMixup 对于节点不平衡分类任务具有非常好的效果。

Jun, 2021

本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

Mar, 2019

本文提出了一种新方法来解决图神经网络（GNNs）中的类别不平衡问题，通过整合不平衡节点分类和偏差 - 方差分解的理论框架，利用图增强技术估计方差，并设计了正则化项来减轻不平衡的影响，通过在多个基准测试中广泛测试，包括自然不平衡数据集和公共分割类别不平衡数据集，证明了我们的方法在各种不平衡场景中优于现有方法。这项工作为解决图神经网络中的不平衡节点分类问题提供了一种新的理论视角。

Oct, 2023