本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。

May, 2022

该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

Oct, 2019

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

本文研究如何全面利用信息，从理论和实践上提高信息传递神经网络的表现力和可推广性，并提出一种新的名为 INGNN 的图神经网络模型，针对节点分类任务，与目前最先进的方法相比，实验证明其优越性（平均排名 1.78）。

Oct, 2022

本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

Nov, 2022

提出了一种名为 InfoGCL 的基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一，在节点和图分类基准数据集上进行了实证验证，取得了显著的效果优于现有技术。

Oct, 2021

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

本文提出了一种名为 Identity-aware Graph Neural Networks (ID-GNNs) 的消息传递图神经网络，通过节点中心的次元网络和异构消息传递来考虑节点的身份，在图形预测任务中比传统的 GNNs 提供更高的准确性。

Jan, 2021

提出了一种基于 1-WL 和邻居之间的边缘考虑的 NC-1-WL 算法，实现了图同构测试，提高了图神经网络的可表达性；进一步提出了 NC-GNN 框架作为 NC-1-WL 的可微分神经版本，能够在各种基准测试中实现出色的性能。

Jun, 2022

本文提出了一种采用总变分和 Wasserstein 距离进行敌对训练以本地过滤敏感属性的框架，从而增强对推断攻击的防御能力。实验证实，该方法在各种图结构和任务下均提供了强大的防御，并产生了适用于下游任务的竞争性 GNN 编码器。

Sep, 2020