在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源/目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题，并在几个真实世界数据集上展示了我们方法的有效性，我们表明我们的嵌入是稳健，可推广和在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。

Oct, 2018

本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在19个实验设置中证明了其优越性。

May, 2020

文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习，相对于多视图或多尺度编码，通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在8个节点和图分类基准测试中取得了新的最佳结果，在Cora（节点）和Reddit-Binary（图）分类基准测试中，取得了86.8％和84.5％的准确性，在4个基准测试中优于有监督的基线。

Jun, 2020

提出了一种基于自监督的子图对比(Subg-Con)的图表示学习方法，有效捕捉了大规模图数据中的区域结构信息，在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。

Sep, 2020

提出了一种基于几何的无监督图表示学习方法（G2R），它将节点映射到不同的子空间中，并通过最大程度地减小速率来进行优化，并在各种基准测试中表现出优异的节点分类和社区检测任务性能。

Feb, 2022

LoNe Sampler提供了一套算法来生成离散化的节点嵌入，通过本地邻域采样，并解决了之前工作的两个缺点，实验结果在基准数据集上验证理论发现并证明了所提出方法的优点。

Nov, 2022

本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

Dec, 2022

用图对比学习的框架，我们提出了一种多节点中心子图对比表示学习方法，以自我监督的方式学习图中节点的表示，通过对中心节点的一系列节点中心区域子图进行精心设计，通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明，我们的模型取得了最先进的结果。

Aug, 2023

我们提出了一种差分编码方法来解决信息丢失的问题，并通过与原始聚合的局部或全局表示相结合，生成更新的节点嵌入。通过集成差分编码，改进了生成的节点嵌入的表征能力，并在七个基准数据集上对差分编码方法进行了实证评估，结果表明这是一种改进了信息传递和全局注意力更新的通用方法，提高了这些数据集上图表示学习的最新性能。

Jul, 2024

本研究针对稀标记图中的节点分类问题，提出了一种新颖的节点生成方法，通过将高质量合成节点注入图中，优化标记信息的传播。该方法通过解决一种新的优化问题，不仅保证了训练准确性，还提升了低置信度节点的标签传播质量，实验证明在多个基准数据集上表现出显著的性能提升。

Sep, 2024