本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性，提出了一种基于超边曲率感知的图神经网络（HCGNN），该网络利用离散曲率引导周围消息传递，并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验，结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。

Dec, 2022

本文提出了一种新颖的自监督混合曲率图神经网络 (SelfMGNN)，通过多个 Riemannian 组件空间的笛卡尔积构建了混合曲率空间，并设计了分层注意机制来学习和融合这些组件空间中的表示，以解决图表示学习中现有方法对图结构的复杂性和标签数据的依赖问题，并且通过对比实验证明了 SelfMGNN 的性能优于现有的基准模型。

Dec, 2021

本文介绍了一种通过使用（产品）恒定曲率空间的图神经网络的数学基础来建模非欧几里德几何的方法，并利用类欧几里得的重心坐标来扩展了图卷积网络，实现了对特定真实世界数据特性（例如无标度、分层或循环）的归纳偏差，经实验证明，在符号数据的节点分类和畸变最小化任务中，我们的方法比欧几里得图卷积网络表现出更好的性能。

Nov, 2019

利用离散瑞奇曲率和相关的几何流算法，暴露出图的群聚结构，研究无监督节点聚类和混合成员群体探测方法，以及图与其对偶图的关系，为基于曲率的网络分析提供了理论和实证证据。

Jul, 2023

基于超辐角的对比学习在学习高质量图嵌入中表现良好，通过设计对齐度量和均匀性度量，解决了生态树属性和泊松球边界处的各向同态问题，实验证明了该方法在监督学习和自我监督学习中的有效性。

Oct, 2023

本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

Apr, 2021

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024

本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。

Mar, 2022

本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

Apr, 2022

通过引入知识蒸馏，我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法，用于增强 GCL 模型学习层次化拓扑同构专业知识，包括图层和子图层。与传统的 GCL 方法相比，我们的方法在贝叶斯分类错误上获得更紧的上界，并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。

Dec, 2023