用于子图分类的随机子图邻域池化
本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。
Nov, 2018
使用SubGNN模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在8个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型19.8%。
Jun, 2020
本研究提出了一种名为 SubGattPool 的算法，它能够联合学习子图注意力，利用两种不同类型的分层注意机制，以找到层次结构中的重要节点和图形中各层次结构的重要性，从而解决了现实世界中的图形分类问题，并在多个公开可用的图形分类数据集上取得了显著的性能提升。
Jul, 2020
本研究提出了一种新的方法，通过数据增强来模拟真实世界的误差，以提高图神经网络的泛化能力并将其推广到各种分类任务中。采用子图裁剪数据增强方法以保留有效的结构上下文，鼓励图神经网络更好地理解整体性的结构内容。该方法不需要参数学习且易于在现有图神经网络分类器中实施。实验结果表明该方法可有效提高模型分类准确率。
Sep, 2020
本文提出了一种名为Union Subgraph Neural Network的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比1-WL更强大，并且在17个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高11.09%的性能。
May, 2023
通过本研究，我们提出了一种名为Separated Subgraph-based Hierarchical Pooling (SSHPool)的新型局部图池化方法，通过分配样本图中的节点到不同聚类中从而得到一组分离的子图，然后利用局部图卷积单元将每个子图进一步压缩为粗化节点，将原始图转化为粗化图。通过层级执行这些过程，SSHPool可以从原始图结构中有效提取层级全局特征，包含丰富的内在结构特征。通过与SSHPool模块相关的端到端GNN框架进行实验，结果表明所提出模型在真实数据集上表现优异，以分类准确度而言明显优于最先进的GNN方法。
Mar, 2024
利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为Muse的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。
Apr, 2024
提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他GNN方法相媲美的表现。
Apr, 2024
基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图GNN框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。
Jun, 2024
本研究针对图神经网络（GNNs）在表示与优化之间的差异提出了新的见解，指出现有的等价性研究忽视了优化问题。通过理论证明和实验验证，揭示了GNNs在图分类任务中存在的隐含归纳偏差，并展示了如何通过基于注意力的架构融入领域知识以更有效地识别一致子图。
Aug, 2024