本文提出了Deep Divergence Graph Kernels这种无监督的方法，可以学习表示图形相似性，对齐子结构，不依赖监督、领域特定知识或已知节点对齐，并取得了具有竞争力的图分类任务结果。

Apr, 2019

本论文提出了一个自监督的图神经网络预训练框架Graph Contrastive Coding（GCC），通过子图实例区分学习网络的建构，利用对比学习增强图神经网络的内在和可迁移的结构表现，并在十个图数据集上展开实验，结果表明，GCC对于包括节点分类、相似性搜索和图分类等三个图学习任务，展现出与特定任务和从零开始训练的对应模型相竞争的性能，同时显示了预训练和微调范式在图表示学习中有很大的潜力。

Jun, 2020

本文提出了一种用于跨领域的小样本图分类问题的基于注意力机制的图编码器，使用三个具有相同结构但不同功能的图像来学习任务特定的信息表示以达到快速适应的目的，实验结果表明，该编码器结合度量学习元学习框架时，可以在所有基准测试中实现最佳的平均元测试分类准确性。

Jan, 2022

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023

通过双重对抗学习的方法，本文提出了Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。

Dec, 2023

无监督图域自适应旨在将标记的源图知识转移至未标记的目标图，以解决图域之间的分布偏移。作者重新评估了图域自适应中图神经网络的作用，并发现了传播过程在适应不同图域中的关键作用。基于经验和理论分析，作者提出了名为A2GNN的简单而有效的图域自适应方法。通过对真实数据集的广泛实验，作者证明了所提出的A2GNN框架的有效性。

Feb, 2024

我们提出了一种名为GraphCTA的新范式，通过一系列步骤：在考虑本地和全局信息的情况下，基于目标图中节点邻居的预测进行模型适应；通过邻域对比学习来更新图结构和节点属性进行图适应；以及使用更新后的图作为输入来促进后续模型适应的迭代，从而在没有访问标记源图的情况下解决领域适应问题。我们在各种公共数据集上进行了全面的实验，实验结果表明我们提出的模型较最近的无源基准模型有很大的改进。

Mar, 2024

在无监督图领域自适应中，我们提出了第一个名为GDABench的全面基准测试，涵盖了16种算法、5个数据集和74个适应任务。通过广泛的实验，我们观察到当前UGDA模型的性能在不同数据集和适应场景中存在显著差异，尤其在源图和目标图面临显著分布偏移时，必须制定有效应对和减轻图结构转换的策略。我们还发现通过合适的邻居聚合机制，简单的GNN变体甚至可以超过最先进的UGDA基线方法。为了促进可重复性，我们开发了一个易于使用的PyGDA库，用于训练和评估现有的UGDA方法，在这个社区提供了一个标准化平台。

Jul, 2024

本研究解决了图节点分类中的域适应问题，尤其是在目标域标签稀缺情况下的分类混淆。提出的谱增强方法通过在谱域对不同域的类别特征空间进行对齐，促进了知识的有效转移。实验结果表明，该方法在多种数据集上显著提高了图神经网络的分类性能。

Aug, 2024

本研究解决了当前图对比学习模型面临的计算需求高和特征利用有限的问题，提出了一种新的张量融合多视角图对比学习（TensorMV-GCL）框架。该方法通过引入扩展持久同伦与多尺度特征提取，显著提高了图分类任务的性能，在多个数据集上超过了15种先进的方法，展现出良好的学习稳定性和可靠性。

Oct, 2024