该论文介绍了使用图神经网络（GNN）进行多节点表示学习的理论，指出之前的方法不能有效地捕捉节点集中节点之间的依赖关系，探究了节点标注技巧，证明其是解决节点集合联合学习任务的最通用方法。

Oct, 2020

本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

Dec, 2020

该论文介绍了一种新的方法，可以在多标签节点分类任务中使用图神经网络，并发布了三个真实世界的生物学数据集，用于该任务的基准测试。作者还定义了多标签场景下的同质性概念，并开发了一种新的方法来动态融合特征和标签相关信息，从而学习标签感知的表示。经过大规模对比研究，该方法在九个数据集上表现良好，并证明了其有效性。

Apr, 2023

本研究提出了一种新的信息伪标签框架（InfoGNN），以最大化互信息为基础，通过伪标签化最具信息代表性的节点来促进使用极少数标记的 GNN 的学习。同时，也提出了一个广义交叉熵损失函数，并使用类平衡正则化来解决潜在的标签噪音和类不平衡问题。实验证明，该方法在六个真实图数据集上显著优于基线和强自监督方法。

Jan, 2022

本文概述了一系列现有的技巧，并提出了一些与标签使用、损失函数制定和模型设计相关的新技巧，以显著提高各种图神经网络 (GNN) 架构的性能。通过进行消融研究，我们经验性地评估了它们对最终节点分类精度的影响，并证明了它们的性能得到了不断改进，通常超过了底层 GNN 架构变化所带来的收益。值得注意的是，许多排名前列的模型从中受益，这是我们提出的一些技术。

Mar, 2021

本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。

Mar, 2020

图神经网络在节点分类任务中取得了最先进的结果。本文聚焦于多标签节点分类，通过收集和发布了三个真实的生物数据集，并开发了一个可调参数的多标签图生成器。进一步提出了适用于多标签分类的同质性和跨类邻域相似性的定义，并以 $9$ 个收集的多标签数据集为基础进行了研究。最后，通过对 $8$ 个方法在九个数据集上进行大规模对比研究，评估了目前在多标签节点分类方面的进展。代码已在 https://github.com/Tianqi-py/MLGNC 上发布。

Jun, 2024

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

我们提出了一种被称为 Two-level GNN 的新型 GNN 框架，通过将子图级别信息与节点级别信息合并来克服现有 GNN 的局部置换不变性问题，并提出了一个基于动态规划算法的子图计数方法，实验证明 TL-GNN 优于现有 GNN，并实现了最先进的性能。

Jan, 2022

本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

Nov, 2019