本文提出一种预训练框架，使用合成图纹理来获取通用图结构信息，提高了已训练模型在不同下游任务上的性能。

May, 2019

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

该研究提出了基于自监督任务的图神经网络（GNN）的迁移学习新范式，其能够有效地将自监督任务作为辅助任务在微调阶段与目标任务结合起来，通过元学习来学习辅助任务的权重，对于多任务学习，预训练和微调均表现出色。

Jul, 2021

本文提出了一种针对图数据集的预训练策略和自监督方法，通过在节点和整个图级别上预训练表达力强的 GNN，以便 GNN 可以同时学习有用的局部和全局表示，并在多个图分类数据集上进行系统研究，发现我们的策略可避免负面转移并显着提高下游任务的泛化性能，最终达到了在分子性质预测和蛋白质功能预测方面的最先进性能。

May, 2019

本文介绍了一种名为 GPT-GNN 的框架，用于解决 Graph Neural Networks 训练问题，通过预训练一个能够自监督地学习到结构和语义属性的 GNN 模型，然后将其传输到 Downstream Tasks 中，从而显著提高了性能。

Jun, 2020

我们提出了 TOUCHUP-G，一个用于改善从 Pretrained Models 获取的节点特征以适应下游图学习任务的方法，通过引入 feature homophily 这一指标，它能有效地减小图结构和节点特征之间的差异，并在四个不同任务和模态的真实数据集上取得了最先进的结果。

Sep, 2023

本文提出了一种基于图神经网络的层级特征增强方法（HGNN），适用于深度多任务学习，通过学习任务之间的共同信息并使用特征增强策略，实现了性能提升。

Feb, 2020

图序列预训练框架 GSPT 利用统一的文本表示，在图领域中取得了显著的可转移性和实证成功。

Jun, 2024

本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向 / 有向链接预测、超边预测、子图预测等多个任务中提升 GNN 的性能。

Apr, 2023

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023