研究了半监督图分类，提出了一种名为 Twin Graph Neural Network（TGNN）的新型半监督框架，旨在利用图拓扑导出的特征以及充分利用未标记数据，通过消息传递模块和图内核模块来探索来自互补视图的图结构信息，同时通过交换实例相似性知识来协作学习标记和未标记数据的结构信息，最终在各个公共数据集上取得了良好的性能。

Apr, 2023

本文研究了半监督图分类问题及其解决方法的一种 KGNN 模型，在该模型中，图神经网络（GNN）结合基于内存的核网络进行分类，通过学习图表示并使用图内核来有效地使用标记的图和未标记的图。实验证明，KGNN 比竞争基线方法表现出更好的性能。

May, 2022

本文研究半监督图分类，在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架，该框架分别从超图和线图的角度捕捉图的语义，以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上，利用学习到的超图引入线图来捕捉超边之间的交互，从而更好地挖掘潜在的语义结构，并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。

May, 2024

本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

May, 2019

利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

Apr, 2024

本文提出了基于标签一致性的图神经网络（LC-GNN），扩大了 GNN 中的节点感受野，利用未连接但标签相同的节点对。在基准数据集上的实验证明，LC-GNN 在图形半监督节点分类方面优于传统的 GNN，在只有少数标记节点的稀疏场景中也表现出优越性。

Jul, 2020

提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

May, 2020

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

本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

Dec, 2016

本文提出了使用 GNN 的多源不确定性框架，反映了深度学习和信念 / 证据理论领域中各种类型的预测不确定性，以进行节点分类预测。该框架通过从训练节点给定标签收集证据，设计了基于图的核狄利克雷分布估计 (GKDE) 方法，准确预测节点级狄利克雷分布，并检测超出分布的节点，该模型在六个真实网络数据集上表现优于现有模型，并提供了理论证明解释此结果背后的原因。

Oct, 2020