OpenGSL：图结构学习的全面基准

Jun, 2023

OpenGSL: A Comprehensive Benchmark for Graph Structure Learning

Zhiyao Zhou, Sheng Zhou, Bochao Mao, Xuanyi Zhou, Jiawei Chen...

TL;DR这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。

Abstract

graph neural networks (GNNs) have emerged as the de facto standard for representation learning on graphs, owing to their ability to effectively integrate graph topology and node attributes. However, the inherent suboptimal nature of node connections, resulting from the complex and cont

graph neural networks graph structure learning data-centric learning benchmark gnn backbones

发现论文，激发创造

图结构学习基准

使用 20 个不同的图数据集和 16 个不同的 GSL 算法构建的全面图结构学习基准 (GSLB) 系统地分析了 GSL 的性能，并评估了前沿的 GSL 算法在节点级和图级任务中的表现，以及它们在鲁棒学习和模型复杂性方面的性能并提供了可视化的方法进行训练、评估和可视化不同的 GSL 方法。

Oct, 2023

UGSL：用于图结构学习基准测试的统一框架

我们提出了一种名为统一图结构学习（UGSL）的框架，用于图结构学习的基准策略，该框架将现有模型重构为一个单一模型，并对框架中不同组件的有效性进行了广泛分析，结果详细说明了该领域中的不同方法及其优缺点。

Aug, 2023

图结构学习的调查：进展与机遇

本文综述了最近在图结构学习（GSL）方法中的进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。

Mar, 2021

SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

Mar, 2023

无监督深度图结构学习

本论文提出了一种实用的无监督图结构学习（GSL）范式，使用自我监督对比学习辅助产生 “锚图” 目标，采用新型自举机制升级锚图并设计多种图学习器和后处理方案，取得了显著有效性和优化图的高质量。

Jan, 2022

带有特征和邻接矩阵对齐的强健图结构学习

本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

Jul, 2023

自监督图结构细化用于图神经网络

本文提出了一种图结构学习方法 —— 图结构精炼方法 (GSR)，采用预训练 - 微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络 (GNN) 的效能和扩展性。

Nov, 2022

基于模式驱动的子图结构学习用于图分类

本文探讨了子图结构学习在图分类中的潜力，同时提出了基于图形结构学习的 Motif - 驱动子图结构学习方法 (MOSGSL)，通过解决关键子图选择和结构优化的挑战，从而在图分类任务中取得了显著和一致的改进。

Jun, 2024

GraphEdit: 大规模语言模型用于图结构学习

通过使用大型语言模型来学习图结构数据中的复杂节点关系，GraphEdit 方法无论在去噪连接还是从全局角度识别节点依赖方面都提供了全面的图结构理解，有效克服了显式图结构信息的局限性，增强了图结构学习的可靠性。

Feb, 2024

图神经网络基准测试

本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用，通过该框架，可对模型进行比较，并且探索新的 GNN 设计和洞见，其中，图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。

Mar, 2020