使用卷积神经网络提取特征表示的学习方法可以更快、更准确地预测网络的稳健性，并提供一个好的指标来度量其连通性鲁棒性。

Mar, 2022

本文提出了一种通过学习明确控制标签噪声的框架（RTGNN），包括自我强化和一致性正则化，以实现对带有标签噪声和少量标签的图形神经网络的训练，并证明了其在各种噪声情况下相对于现有方法的优越性能。

Nov, 2022

本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

May, 2020

本文提出了一种针对图神经网络和标签 / 特征传播模型的验证可证（非）鲁棒性的方法，并通过 PageRank 和马尔可夫决策过程的相关性来计算证书。我们同时研究了一种鲁棒性训练程序，以增加可证明鲁棒性节点的数量，同时保持或提高了干净的预测准确性。

Oct, 2019

该研究介绍了使用强化学习和图卷积神经网络实现电路自动设计中的跨电路知识转移并在四种电路中实现了最优 Figures of Merit (FoM) 优化结果的方法，并对使用转移学习的情况进行了评估，证明了知识转移的重要性。

Apr, 2020

本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

Oct, 2022

本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

Nov, 2019

在本文中，我们开发了第一个能够确定性地提高图对比学习（Graph Contrastive Learning，GCL）鲁棒性的框架。我们提出了一个统一的评估和认证 GCL 鲁棒性的标准，并引入了一种新的技术 RES（Randomized Edgedrop Smoothing）来确保任何 GCL 模型的鲁棒性，并能够在下游任务中被可靠地保持。此外，我们还提出了一种有效的培训方法来提高 GCL 的鲁棒性。在真实世界的数据集上进行的大量实验证明了我们提出的方法在提供有效的可证鲁棒性和提高任何 GCL 模型的鲁棒性方面的有效性。RES 的源代码可在此 https URL 获得。

Oct, 2023

该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。

Jun, 2023

本研究首次探讨有向图在提供网络固有结构丰富信息方面的重要性，为了增强 GNN 的鲁棒性和弹性，我们提出一种全新的信息传递框架作为插件层，并结合现有的防御策略，取得了优异的干净精确度和最先进的鲁棒性能，具有超强的防御转移和自适应攻击的作用。

Jun, 2023