在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源 / 目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题，并在几个真实世界数据集上展示了我们方法的有效性，我们表明我们的嵌入是稳健，可推广和在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。

Oct, 2018

本文研究了图形分类问题中图神经网络是否必要，发现对于图分类来说，GNN 不仅仅是其部分之和。同时，我们还发现，与特征不同，仅使用边进行预测的模型并不总是能够转换为 GNN。

Mar, 2021

最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的 GNN 都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为补充，异质性反映了连接节点之间的不相似性，在图学习中引起了重要关注。为此，数据工程师旨在开发一个能够确保在同质性和异质性下性能的强大 GNN 模型。尽管已经做出了许多尝试，但大多数现有的 GNN 由于无向图的限制而难以实现最佳节点表示。忽视有向边导致次优的图表示，从而限制了 GNN 的能力。为解决这一问题，我们引入了 AMUD，它从统计的角度量化节点配置和拓扑之间的关系，为自适应地将自然有向图建模为无向图或有向图以最大化后续图学习中的效益提供了宝贵的见解。此外，我们提出了 ADPA 作为 AMUD 的新的有向图学习范式。实证研究表明 AMUD 指导了高效的图学习。与此同时，在 14 个基准数据集上的大量实验证实了 ADPA 的出色性能，优于基准线 3.96%。

Dec, 2023

本研究提出了一种特征选择 Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在 9 个基准数据集上创建了一种简单而浅的模型，取得了比现有 GNN 模型更好的性能。

Nov, 2021

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

Jan, 2021

本研究论文探讨了图神经网络在有向标记图上的应用，尤其关注其在节点和边缘标记方面的效果，并证明了所提出的 edGNN 模型与 Weisfeiler-Lehman 算法在同等适用性上具有相同的作用。

Apr, 2019

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

本文提出了 Directed Graph Neural Network (Dir-GNN) 模型，用于在定向图上进行深度学习，将 incoming 和 outgoing edges 进行独立聚合，以利用方向性信息来增强图的同质性。比较了多种模型并在异质性数据集上进行了广泛实验，结果证明 Dir-GNN 可以在异质性图上取得最好的表现。

May, 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