我们研究了图神经网络在链接预测中的性能变化，并提出了基于节点的拓扑浓度的度量方法，该方法与链接预测之间具有更高的相关性。我们还发现了节点的拓扑分布转移问题，并提出了一种可扩展的近似拓扑浓度度量方法。最后，我们探讨了通过重新加权消息传递中的边来提高链接预测性能的潜力。

Oct, 2023

我们提出了一个基于图神经网络的学习框架，该框架可以在用户层面提供节点隐私，并且在损失效用性方面表现较低。我们使用分布式隐私保护的概念，并在节点水平对特征和标签数据应用随机化机制，在数据被中央服务器收集用于模型训练之前进行扰动。通过随机化数据的统计分析中的频率估计，我们开发了重构方法来逼近扰动数据的特征和标签。我们还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。在真实数据集和半合成数据集上进行了大量实验，证明了我们提出模型的有效性。

Sep, 2023

该论文介绍了一种新的框架 LangTopo，通过构建代码簿量化了 GNN 和 LLM 的图结构建模能力，并通过一致性最大化的过程将 LLM 的文本描述与 GNN 的拓扑建模对齐，使 LLM 能够学习捕捉图结构的能力，从而能够独立处理图结构化数据。通过在多个数据集上展示我们提出的方法的有效性。

Jun, 2024

我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

Jun, 2024

通过使用拓扑数据分析（TDA）和利普希茨 - 基林曲率（LKCs）方法，本研究探索了在生物医学多组学问题的背景下，作为强大工具进行特征提取和分类的应用。我们调查了结合这两种方法以提高分类准确性的潜力，并通过使用生物医学图像数据集来展示 TDA 和 LKCs 可以有效提取拓扑和几何特征。这种特征的组合相对于单独使用每种方法可以获得更好的分类性能，该方法为各种生物医学应用的复杂生物学过程的研究提供了有前景的结果，并突显了在生物医学数据分析中整合拓扑和几何信息的价值。随着我们继续探索多组学问题的复杂性，这些洞察力的融合对于揭示潜在的生物学复杂性有着巨大的潜力。

Nov, 2023

本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。

Jun, 2020

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

本文以数据为中心的观点，旨在研究不同数据集中的链接预测原则，确认了三个关键因素：局部结构接近度、全局结构接近度和特征接近度，并揭示了它们之间的关系。新的洞察启发了 GNN4LP 模型设计以及选择适当基准数据集进行更全面评估的实用指导。

Oct, 2023

提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。

Oct, 2018

本研究提出了一种名为 LDP-GE 的隐私保护图嵌入框架，通过局部差分隐私机制对节点数据进行模糊处理，并采用个性化 PageRank 作为节点表示的相似度度量，理论分析和实验证明 LDP-GE 在节点分类和链接预测任务中具有良好的隐私和效用平衡，并显著优于现有方法。

Oct, 2023