本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向 / 有向链接预测、超边预测、子图预测等多个任务中提升 GNN 的性能。

Apr, 2023

通过提取高维嵌入并评分人工样本相对于最接近的真实世界样本的距离，我们展示了在基于代码的两个流行预训练模型上训练仅包含表示最相似样本且舍弃与表示完全不相似样本的方法对两个代码理解任务取得了一致的改进。

Nov, 2023

该论文介绍了使用图神经网络（GNN）进行多节点表示学习的理论，指出之前的方法不能有效地捕捉节点集中节点之间的依赖关系，探究了节点标注技巧，证明其是解决节点集合联合学习任务的最通用方法。

Oct, 2020

本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比性。

Jan, 2022

本研究提出两种利用 Bayes 模型和自动参数选择解决不确定图中节点分类的技术，并在不同真实数据集上实验验证，证明了该方法的有效性和高效性。

May, 2014

本研究提出了一种新的信息伪标签框架（InfoGNN），以最大化互信息为基础，通过伪标签化最具信息代表性的节点来促进使用极少数标记的 GNN 的学习。同时，也提出了一个广义交叉熵损失函数，并使用类平衡正则化来解决潜在的标签噪音和类不平衡问题。实验证明，该方法在六个真实图数据集上显著优于基线和强自监督方法。

Jan, 2022

该研究探讨使用因果模型学习具有近似不变性的表示方法，并展示了这种方法对于培训 / 测试分布转移具有对抗性的图形分类中的好处。

Mar, 2021

本综述分四个主要方向，对图形反事实学习的现有方法进行分类和全面的审查。我们提出有前途的未来研究方向，并为未来研究编制了一份资源清单。我们还提供了一份开放源代码实现、公共数据集和常用评估度量标准的列表。本文的目的是为构建图形反事实学习类别和当前资源的统一理解提供 “一站式” 服务，并将维护论文和资源的知识库，并将不断更新此资源。

Apr, 2023

本文提出了一个基于多假设预测模型和元损失与优化函数训练框架以应对不确定性的可行方法，并在人体姿态估计、未来预测、图像分类和分割等四种不同应用场景中检验了该方法的有效性，发现多假设预测模型在所有情况下均优于单一假设预测模型，并可以同时揭示有关预测变异性的有价值的洞见。

Dec, 2016

我们的研究提出了一个不确定性估计框架，可应用于任何泛化图神经网络（GNN）的基础网络上，以提高节点分类性能。该不确定性估计器模型是一个神经网络，将不确定性建模为概率分布而非离散的概率标量值。通过在 $n$ 路 $k$ 样本方式下进行训练，我们的方法在少样本学习设置中提高了分类准确率，而无需特定的元学习架构。在多个数据集和不同 GNN 基础网络上进行的实验证明了不确定性估计器对于带有 GNN 的少样本节点分类的有效性。

Jun, 2024