本文提出了一种自我增强的图神经网络 (SEG)，通过从拓扑和节点标签两个方面优化输入数据质量，改善了现有 GNN 模型的性能，并配合实验结果验证了 SEG 的效果。

Feb, 2020

提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

Mar, 2020

本文介绍了一种新的基于自注意力机制的图神经网络 Hyper-SAGNN，可用于不同类型的超图及其不同的学习任务，包括各种基准网络数据集以及基因组学中的单细胞 Hi-C 数据集。该模型在传统任务上优于现有模型，在新任务 “outsider identification” 上表现优异。

Nov, 2019

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

Oct, 2023

本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

Mar, 2024

本文提出了一种名为 M3S 的多阶段自监督 (GCNs) 训练算法，该算法利用自监督学习方法，旨在提高 GCN 在缺乏标记节点的图上的泛化性能。实验结果表明，相比其他现有方法，我们的算法在不同标签率下表现出卓越的性能。

Feb, 2019

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

该研究论文提出了一种名为 CSGNN 的图神经网络方法，通过使用邻居聚合的潜在空间自适应选择可靠的节点，并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明，CSGNN 在效果和鲁棒性上优于现有方法。

Nov, 2023

本文研究了使用图神经网络（GNNs）进行无监督场景下的节点表示的学习。我们提出了 SAIL 框架来平滑节点的接近程度，并通过两个互补的自蒸馏正则化模块进行知识蒸馏，实现了竞争性的性能。

Sep, 2020