本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络（CHGNN），用于从已标记数据和未标记数据中学习，实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。

Mar, 2023

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

本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018

本文介绍了一种新的框架，Blend&Grind-HGNN（BG-HGNN），该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题，其通过将不同关系融合到一个统一的特征空间中，在参数可管理的单一参数集的帮助下，得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明，BG-HGNN 在参数效率（高达 28.96 倍）、训练吞吐量（高达 8.12 倍）和准确性（高达 1.07 倍）方面显著超过了现有的 HGNN。

Mar, 2024

通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

本文提出了一种基于图神经网络的层级特征增强方法（HGNN），适用于深度多任务学习，通过学习任务之间的共同信息并使用特征增强策略，实现了性能提升。

Feb, 2020

我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

Apr, 2024

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