图神经网络 (GNN) 可以通过从特征和连接信息的二元性中学习来训练以检测图中的社区。本研究展示了通过仅仅优化模块度，而不与基准进行比较，可以使用 GNN 将节点聚类到社区中。尽管模块度是一个图划分质量度量，我们证明了这一方法可以优化同时编码特征的 GNN，并且性能没有下降。我们进一步研究了无监督度量性能是否能预测基准性能的问题。通过设计一些合成实验，展示了该方法的局限性。这些合成图被设计来突显属性图中具有不同、随机和零信息空间分区的当前能力。总之，我们得出结论，模块度可以用于真实数据集上的超参数优化和模型选择，同时也是预测基准性能的一个合适代理，但是当空间包含冲突信号时，GNN 无法平衡信息的二元性。

Feb, 2024

研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

Jan, 2024

机器学习与图神经网络，尤其是使用图神经网络（GNN）的机器学习，在各个领域的图数据广泛应用中受到了广泛关注。然而，对于 GNN 的性质仍存在理论上的不完备性。最近的理论进展主要集中于阐明 GNN 的粗粒度表达能力，主要使用组合技巧。然而，这些研究与实践并不完全一致，特别是在理解使用随机一阶优化技术训练时 GNN 的泛化行为方面。在本文中，我们将论证图机器学习社区需要将关注点转向发展一个更加平衡的图机器学习理论，重点研究表达能力、泛化和优化的相互作用。

Feb, 2024

本文提出了 UniGNN 框架，使得现有的图神经网络能够直接应用于超图，并证明了该框架比传统算法更有效地处理超图数据。

May, 2021

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性，并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验，我们的方法不仅凸显了社区检测和 GNN 之间的协同作用，还解决了链接预测中存在的一些普遍挑战，如可扩展性和分辨率限制。结果表明，整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合，为网络科学领域提供了一种新的整合视角，以更好地理解和预测科学合作的复杂模式。

Jan, 2024

使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。

May, 2017

本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

Apr, 2024

图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

Nov, 2023

本研究提出了一种基于图神经网络的模型，用于检测重叠社区，相对于现有的基线方法，我们的模型表现更为出色。此外，我们的实验表明，该模型具有有效性、可扩展性和对超参数设置的鲁棒性，并且图神经网络是该模型的关键因素。

Sep, 2019