本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

Jan, 2022

本文提出了一种基于图神经网络的解决方案，学习时变图结构并在端到端框架中预测土壤湿度。该解决方案能够处理实践中常见的缺失地面真实土壤湿度的问题，并在真实世界的土壤湿度数据上展示了我们算法的优点。

Dec, 2020

图结构数据是从社交网络到生化分析等领域广泛存在的，它们为不同实际系统提供了基础。而图神经网络在建模这种类型的数据时具有很高的成功率，但通常依赖于大量标记数据，这在实际场景中具有有限的注释资源时带来挑战。为了解决这个问题，我们在低资源环境下增强图机器学习性能进行了巨大努力，探索了各种最小监督方法。本文首次介绍了数据高效图学习 (DEGL) 的新概念作为研究前沿，并总结了当前 DEGL 进展的首份综述。我们首先强调了在使用大量标记数据训练模型时固有的挑战，为我们对 DEGL 的探索铺平道路。接着，我们系统地回顾了最近在这个主题上的一些关键进展，包括自监督图学习、半监督图学习和小样本图学习。我们还提出了未来研究的有望方向，为图机器学习的发展作出了贡献。

Feb, 2024

本文提出了一种算法框架 Graphite，可利用深度潜在变量生成模型对大型图中的节点进行无监督表示学习，它包含变分自动编码器参数化的图神经网络，并使用受低秩逼近启示的迭代图优化策略。在多种合成和基准数据集上，Graphite 优于竞争性方法，用于密度估计、链接预测和节点分类任务。最后，我们推导了图神经网络中的消息传递和均场变分推断之间的理论联系。

Mar, 2018

本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Mar, 2018

我们开发了一个基于图形的框架来表示最佳热管理系统设计的各个方面，旨在快速高效地识别最佳设计方案。通过图形框架，我们生成多样的热管理系统体系结构，对这些系统体系结构在各种负载条件下建模，并利用开环最优控制器确定每个系统的最佳性能。利用图神经网络模型训练预测性能，我们对剩余数据集进行性能估计，并利用估计值对测试数据进行排序，提供优先评估设计方案的能力。结果显示，通过此方法能够显著降低 92% 以上的系统动态建模和最优控制分析所需的工作量，以识别最佳设计方案。

Nov, 2023

本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。

Jan, 2021

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

通过将复杂设备的结构表示为图，并使用图神经网络对多传感器时间序列数据建模，可以实现自动化设备健康监测，估算设备剩余寿命以及故障诊断，相较于基于循环神经网络 (RNN) 和卷积神经网络 (CNN) 的方法，基于图神经网络 (GNN) 的剩余寿命估算模型表现更为优异。

Jun, 2020

研究在图形上进行分散敌对训练以提高多智能体系统的鲁棒性。通过使用传播学习的 min-max 形式，我们开发了一种分散的敌对训练框架，在凸和非凸环境中分析了所提出方案的收敛性，并说明了对抗攻击的增强鲁棒性。

Mar, 2023