本文提出了一种基于节点属性增强的网络对齐方法 Grad-Align+，其采用图神经网络计算嵌入相似性矩阵，并逐步发现跨网络节点对，实验结果表明该方法在节点属性缺失情况下表现优异，并有效增强了方法的鲁棒性。

Aug, 2022

提出了一种名为 Grad-Align+ 的网络对齐方法，通过中心性节点特征增强、图神经网络辅助嵌入相似度计算以及 Grad-Align 中逐步发现节点对的信息，实现了在缺少锚定连接或节点特征信息的情况下高效准确的网络对齐。

Apr, 2023

使用深度对抗学习技术，通过找到复杂的映射来对齐两个网络的嵌入分布，然后使用我们学习到的映射函数进行高效的最近邻节点对齐，该算法能够在真实世界的数据集上展现其有效性。

Feb, 2019

TARA, a data-driven framework for biological network alignment, utilizes a classifier to predict functional relatedness based on network topological patterns and outperforms existing state-of-the-art methods.

Feb, 2019

网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

Oct, 2023

本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构，用于学习和精炼图之间的结构对应关系，并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。

Jan, 2020

本论文提出了一种新的多网络差异对齐（MNA）方法 multiMAGNA++，通过在对齐构建过程中同时优化边保留和节点保留，此方法在方法评估中也引入了新的 MNA 质量度量来更全面地描述差异对齐，该方法优于或与现有 MNA 方法相当，并且通常比现有方法更快地完成对齐，而且适用于大规模网络数据并能有效实现并行。

Apr, 2016

本文提出了一种名为 G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用 MERGE 压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。

Jul, 2020

本文提出了部分对齐的图卷积网络模型，旨在通过模型共享，正则化以及对齐重建等多种方法在多个图模型中学习节点表示，并在现实世界的知识图谱和协作网络中进行了广泛实验，证明了该方法在关系分类和链接预测等任务上的卓越表现。

Jun, 2021

本文介绍了一种名为 Neighborhood Matching Network 的实体对齐框架，利用图采样和交叉图邻域匹配模块来建立实体对齐方面的表示。该方法可以有效地估计更复杂的邻域相似度，并在三个实体对齐数据集上显著优于 12 种现有的最先进方法。

May, 2020