本文介绍了一种新颖的对抗性边缘删除方法（ADEdgeDrop），利用对抗性边缘预测器引导边的删除，以提高图神经网络（GNNs）的鲁棒性。

Mar, 2024

本文提出了一种基于参数化拓扑去噪网络的 GNN 模型（PTDNet），可以通过学习去除任务无关的边来提高 GNN 模型的稳健性和泛化性能，并在各种任务中（如节点分类和链接预测）均有显著的性能提升，特别是在噪声数据集上性能提升更为明显。

Nov, 2020

TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

Jun, 2024

该论文提出了 DropEdge 技术来解决深层图卷积网络在节点分类中的过拟合和过度平滑问题。DropEdge 技术通过随机在每个训练迭代中移除一定数量的边缘节点来进行数据扩充和信息传递减少，旨在提高广义化效果和模型收敛速度。该技术还可以与其他多个骨干模型一起使用，使得在各种浅层和深层图卷积网络中都能一致提高模型的性能表现。

Jul, 2019

通过实验研究，本文介绍并提出了一种名为 DropEdge++ 的新颖技术，在多层图卷积网络中有效缓解过度平滑的问题，进而提升节点分类的性能。

Jun, 2023

图神经网络（GNN）在节点分类中得到广泛应用，但最近的研究表明 GNN 对拓扑扰动如对抗攻击和边缘中断很容易受到攻击，为了克服这些问题，我们提出了一种新的标签推断框架 TraTopo，它结合了基于拓扑的标签传播、贝叶斯标签转换和随机游走的链接分析，并在稀疏图上超过了现有的 GCN 模型，在节点分类中表现出更高的准确性。

Jun, 2024

本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

Oct, 2022

这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

Dec, 2023

图扩散方程与图神经网络紧密相关，并近期引起关注，作为一种分析图神经网络动态、形式化其表达能力并证明架构选择的原则性框架。本文通过探索图扩散方程在不同图拓扑存在下的外推与概括能力，向理解图神经网络的泛化能力迈出了一步。在现有基于图局部扩散的模型中，我们首先展示了其泛化能力的不足之处，这源于对拓扑变化的指数敏感性。随后的分析揭示了非局部扩散的潜力，它提倡在具有特定数据生成条件的情况下，通过在完全连接的潜在图上进行特征传播。除了这些发现，我们提出了一种新颖的图编码器骨干，即 Advective Diffusion Transformer (ADiT)，它受到具有封闭形式解和理论保证的 Advective 图扩散方程的启发，在拓扑分布转移情况下具有期望的泛化能力。这个新模型作为一种多功能图 Transformer，在各种图学习任务中展现出卓越的表现。

Oct, 2023

基于图神经网络（GNN）的随机抛弃法的泛化误差优化方法 FlexiDrop 在实验中表现出比传统随机抛弃方法更好的性能。

May, 2024