研究了半监督图分类，提出了一种名为 Twin Graph Neural Network（TGNN）的新型半监督框架，旨在利用图拓扑导出的特征以及充分利用未标记数据，通过消息传递模块和图内核模块来探索来自互补视图的图结构信息，同时通过交换实例相似性知识来协作学习标记和未标记数据的结构信息，最终在各个公共数据集上取得了良好的性能。

Apr, 2023

介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

Sep, 2020

本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

Oct, 2019

本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

Mar, 2018

本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

Nov, 2019

本研究提出了 Graph Markov Neural Network (GMNN) 模型，将统计关系学习和图神经网络的优势相结合，通过有条件随机场建模对象标签的联合分布，并利用变分 EM 算法进行有效训练，在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。

May, 2019

采用线性图神经网络（TrainlessGNN）模型构建代表每个类别节点属性子空间的权重矩阵，为 TAG 上的半监督节点分类提供了一种高效的方法，消除了迭代优化过程。广泛的实验证实了我们的无训练模型可以匹配甚至超越传统训练模型，展示了在特定配置中避免梯度下降的可能性。

Apr, 2024

该研究旨在研究半监督条件下图神经网络（GNNs）的集成学习。通过将多个薄弱学习器的输出组合起来，集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而，在集成不同的 GNN 模型时，由于 GNN 的推理能力较差，这个想法很具有挑战性。为了解决这个问题，在本文中，我们提出了一种高效的集成学习算法 E2GNN，以可学习的方式组合多个 GNNs，同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。

May, 2024

提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

May, 2020

该研究提出了一种名为 GraFN 的半监督方法来解决使用少量标记节点的图节点分类问题，它既结合了自监督方法的性能优势，又能够实现类别之间的节点区分。

Apr, 2022