该论文提出了一种新的Graph Neural Network体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。

Apr, 2021

本文提出了一种新的自监督学习框架GIANT，来优化节点特征提取过程中对图拓扑结构和节点属性的潜在相关性，并结合XR-Transformers方法，针对Open Graph Benchmark数据集通过eXtreme Multi-label Classification范式提高了GNN的性能。

Oct, 2021

本文探讨了GNNs的异质问题并研究了跨类别邻居的特征聚合，提出了CAGNNs框架以提高节点分类任务的性能。实验结果表明，我们的框架能够分别提高GIN，GAT和GCN的平均预测准确率9.81％，25.81％和20.61％。

Mar, 2022

本文提出一种利用自监督学习策略来学习图中节点信息表示的简单而有效方法，通过直接最大化节点和它们的邻居的隐藏表示之间的互信息来获得上下文信息，并采用拓扑感知的正样本采样策略，并借助正样本选择提高了表示学习的质量和有效性。

Mar, 2022

通过介绍2NCS方法，本文挖掘了同质网络比率和Cross-Class邻域相似性(CCNS)等指标的局限性，并在一个合成和8个真实图数据集上进行实验，结果表明2NCS可以更准确和一致地评估基于GCN和GAT的体系结构在节点分类任务上的准确性。

Dec, 2022

本文研究了GNN在同构和异构图中节点分类性能的差异。我们提出了一种非i.i.d PAC-Bayesian概率界，并通过特征聚合距离和同质比异质性差异解释了性能差异，并证实了较深的GNN的有效性。此外，我们发现了图形分布偏移问题的一个新因素，并提出了相应的新场景。

Jun, 2023

我们提出了一种基于拓扑信息的拓扑样本选择方法（TSS），通过利用拓扑信息来提高图中信息样本的选择过程，从而解决在非独立同分布图数据和GNN中的样本选择中存在的问题。通过理论证明，我们的方法在清洁目标分布下最小化了预期风险的上界，并在实验中与最先进的基线模型相比展示了我们方法的优越性。

Mar, 2024

我们提出了AGS-GNN，这是一种新颖的属性引导采样算法，用于图神经网络（GNNs），在处理同质图和异质图时利用节点特征和连接结构，通过采样相似和多样的邻居样本适应同质性和异质性。

May, 2024

本研究解决了对比学习中负样本引发的模型崩溃和计算资源消耗的问题。我们提出了一种新方法，通过引入节点邻居对扩展正样本集，并使用交叉注意力模块来预测邻居对锚节点的支持度，从而提升了类内紧凑性和表示学习的效果。实验结果表明，该方法在多个基准数据集上实现了最先进的性能。

Aug, 2024

本研究针对现有图神经网络在特征聚合和传递中对结构信息依赖过大的问题，提出了一种新的图结构自对比框架，旨在提高模型的鲁棒性和泛化能力。该方法通过多层感知器隐式捕捉结构信息，不依赖于信息传递，并通过去除无效边缘和自对比学习提高了节点表示的稳健性。实验结果表明，GSSC框架在性能上显著优于其他主流方法。

Sep, 2024