本文综述了最近在图结构学习（GSL）方法中的 进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。

Mar, 2021

通过对实现图神经网络 (GNNs) 的 Tabular Data Learning (TDL) 方法进行系统回顾与详细调查，本文强调了潜在关联性以及特征间数值的不足在 TDL 中。同时，本文提供了 GNNs 在构建图结构和表示学习方面的综合分类，以及对辅助任务和实际应用领域的讨论，探讨了 GNNs 在 TDL 中的多样性和影响，并提出了未来研究方向，以推动 GNNs 在 TDL 中的创新。

Jan, 2024

本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。

Jun, 2023

本文提出了一种新型深度学习模型，使用图神经网络（GNN）—— 特别是交互网络（IN）进行情境嵌入，以应对以表格形式存在的异构数据和特征。该模型在五个公共数据集上的深度学习基准测试中表现优异，优于最近发表的研究结果，并在与增强树解决方案的比较中也取得了竞争结果。

Mar, 2023

本文提出了一种图结构学习方法 —— 图结构精炼方法 (GSR)，采用预训练 - 微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络 (GNN) 的效能和扩展性。

Nov, 2022

IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

Aug, 2023

本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

Jul, 2023

本文提出一种基于图网络架构的表格识别方法，在视觉特征提取方面融合了卷积神经网络的优势；实验证明该方法优于基准线方法。此外，为了解决大规模数据集问题，文中提出了一种合成数据集，并开源了数据集生成及图网络训练框架，以推进研究的可复制性。

May, 2019

本文提出了一种自动估计表格数据特征间关系的图估算器，根据所建立的关系图组织各独立特征并实现节点间的有序交互，进而进行表格学习。结合该方法，我们提出了一种基于 Transformer 网络的 T2G-Former，能够在不同层次上收集 T2G-Former 中的显著特征并加以综合，实现对表格数据进行有效处理和预测，进而取得了优异的表现。

Nov, 2022

本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

Mar, 2023