通过图神经网络探索结构特征相关性的 Fea2Fea 算法
本研究通过矩阵空间分析，系统地研究了空间模型与谱模型对于特征空间的影响，理论分析表明特征空间由于重复的聚合而趋向于线性相关，为此，我们提出了特征子空间展开和结构主成分等方法来扩展特征空间，实验表明我们的方法有效并能够提高收敛性能。
May, 2023
本文提出了一种基于图神经网络的特征选择方法，通过解耦节点特征聚合和网络深度，采用 softmax 和 Hop-Normalization 技术，使得模型在节点分类任务中取得了 64% 以上的精度，其学习到的精选参数可以用于研究预测任务中特征的重要性，同时在大型图中拥有可扩展性。
May, 2021
通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。
Mar, 2024
本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。
Jan, 2024
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。
Jun, 2023
本文提出基于可学习拓扑特征的系统发育推断结构表示方法，通过结合最小化狄利克雷能量的原始节点特征和现代图表示学习技术，该方法可提供高效的系统发育树结构信息，可自动适应不同的下游任务。在模拟数据和具有挑战性的实际数据上进行验证和评估。
Feb, 2023
在本研究中，我们以往对同质性和异质性之间的二分法的认识启发了我们对深度图网络的归纳偏差的研究。然而，最近的研究指出，这种二分法过于简单，因为我们可以构建节点分类任务，其中图形完全异质，但性能仍然很高。我们的工作通过形式化两个生成过程来研究当这种强假设不成立时会发生什么，这两个生成过程可以用于构建和研究即席问题。通过一个我们称之为特征信息量的度量来定量衡量节点特征对目标标签的影响，我们构建了六个合成任务并评估了六个模型（包括对结构不可知的模型）的性能。我们的发现揭示了在放松上述假设时先前定义的度量不适用的事实。我们对研讨会的贡献旨在呈现可能有助于推进我们对该领域的理解的新的研究成果。
Aug, 2023
机器学习中的特征网络是连接具有相似性的学习任务中的特征的图形表示，通过充分利用傅里叶分析和函数分析中的函数操作，可以轻松生成新的特征，应用于机器学习中的图形化卷积神经网络扩展到具有不同深度或复杂度特征的分层表示，并讨论了使用特征网络工程化新特征以提高模型的表达能力。
Jan, 2024