本文提出了一种基于 encoder-decoder 框架及 pairwise ranking loss 方法的学习算法，用于在大规模网络中快速且精确地鉴定 betweenness centrality 高的节点，与同类算法相比，具有较高的速度和准确性。

May, 2019

我们重新定义了 Closeness Centrality（CC）和 Betweenness Centrality（BC）节点排序问题，提出了 CNCA-IGE 模型，它是一个基于归纳图神经网络的编码器 - 解码器模型，用于基于指定的 CC 或 BC 指标对节点进行排序。我们在各种规模的合成和现实网络上评估了我们的方法，并实验证明 CNCA-IGE 模型在降低执行时间和提高性能方面优于现有基线模型。

Mar, 2024

本篇研究采用差分隐私技术，成功实现在不泄露各分布式社交网络内部连接信息的情况下，多个不信任方计算节点的自我中心介数中心度量，实验结果在 Facebook 网络上具有实际可行性。

May, 2020

图神经网络（GNNs）中的可解释性是一个新兴领域，在本文中我们讨论了确定每个邻居对于 GNN 在对节点进行分类时的重要性以及如何度量该特定任务性能的问题。为了做到这一点，我们重新构造了各种已知的可解释性方法来获取邻居的重要性，并提出了四个新的度量指标。我们的结果显示，在 GNN 领域中，基于梯度的技术提供的解释几乎没有区别。此外，当使用没有自环的 GNN 时，许多可解释性技术未能识别到重要的邻居。

Nov, 2023

本论文提出了一种基于图学习的节点排序方法 (MGL2Rank)，将道路网络的多样性特征集成在其中，包括道路路段的车道数和平均速度，实现了路网节点的重要性排序。我们采用多图融合的采样算法 (MGWalk) 来建立道路路段之间的关联，利用嵌入式模块学习每个路段的潜在表征，最终获得节点表征来学习道路路段的重要性。在实验中，我们以沈阳市的区域道路网络为例，证明了该方法的有效性。

May, 2023

本文提出一种名为 GENI 的基于图神经网络的方法，聚合节点的重要性得分来预测知识图谱中节点的重要性，该方法在预测真实世界中各种特性的知识图谱中节点的重要性方面，比现有最先进方法的 NDCG@100 高出 5-17%。

May, 2019

利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。

Oct, 2023

本文提出了一种基于图双连通性的表达能力度量方法，发现大多数常见 GNN 架构在此度量下缺乏表达能力，但 ESAN 框架具有可证明的表达能力。作者进一步引入 GD-WL 模型，该模型可通过 Transformer 与 Weisfeiler-Lehman 算法相结合来计算表达能力，并通过实验表明其在绝大多数数据集上效果显著优于现有 GNN 架构。

Jan, 2023

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

本研究利用神经网络提出了一个名为 GNNRank 的训练框架，用于从成对比较中恢复全局排名，该框架涉及一种排名得分估计方法以及一种形成可学习相似矩阵的图形构建方法，实验结果表明该方法能够获得优秀的性能和有希望的转移能力。

Feb, 2022