通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

Dec, 2023

本文提出了一种名为 Ego-CNNs 的新型图嵌入模型，利用自我卷积和各层层叠的中心方式来有效检测精确的关键结构，并可与任务模型联合训练，取得可比较的任务性能表现，且适用于 CNN 可视化技术，结合规模自由先验，进一步提高训练效率。

Jun, 2019

本文提出了一种名为 Identity-aware Graph Neural Networks (ID-GNNs) 的消息传递图神经网络，通过节点中心的次元网络和异构消息传递来考虑节点的身份，在图形预测任务中比传统的 GNNs 提供更高的准确性。

Jan, 2021

本文提出了用超图的 ego 网络结构建模高阶单节点交互，并提出了超图 ego 网络的时间重构作为预测超图局部时空结构的模型的基准问题。研究者们将深度学习二元分类器与爬山算法相结合，以跨多种领域找到的结构模式为基础，提出了重构超图 ego 网络的模型。

Dec, 2021

Eigen-GNN 是一种简单而有效的插件模块，通过将 GNN 视为一种降维类型并扩展初始降维基础，将图结构的特征空间与 GNN 相集成，从而提高了 GNN 在保留图结构方面的能力，并在节点分类、链接预测和图同构测试等任务中表现出良好的灵活性和有效性。

Jun, 2020

本文提出了一系列简单的改进方法，将标准消息传递图神经网络（GNN）转化为可证明强大的有向多重图神经网络，并将其应用于金融犯罪分析和网络钓鱼检测等任务中，得出了极好的实验结果。

Jun, 2023

该研究提出了一种基于理论基础和实用性的 GNN 传递学习框架，首先提出了一种新颖的图信息视图，并提出通过 EGI (Ego-Graph Information maximization) 来分析实现传递学习目标，其次，当节点特征是结构相关的时，我们对 EGI 的可转移性进行了分析，综合两个真实数据集的实验结果表明具有传递性，在大规模知识图谱的转移学习中表现出良好的效果。

Sep, 2020

这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架，通过将节点表示编码为子图而不是子树来表示整个图，从而比 1-WL 更强大地区分几乎所有 r 正则图，并且在基准数据集上表现出高度竞争性表现。

Oct, 2021

该论文分析了深度图神经网络的瓶颈问题以及提出了一种基于狄利克雷能量的通用原则，通过该原则设计了一种新型深度图神经网络框架 - EGNN，并在实验结果中取得了最新颖的表现。

Jul, 2021

在复杂网络中，图神经网络（GNNs）在各种基于学习的任务中表现出显著的优势。然而，对于许多网络应用而言，节点级信息可能缺失或不可靠，从而限制了 GNNs 的适用性和效果。为了解决这个问题，我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation（ESGEA）的新方法，旨在增强和设计节点特征，特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成，并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征，则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构，即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估，其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明，在图分类任务和节点分类任务中，AUC 值和准确度分别提高了 10% 和 7%。

Oct, 2023