该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

Dec, 2019

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

该研究对不同类型的鲁棒图神经网络在结构噪声表现下进行了全面和系统的比较，并提供了鲁棒性图神经网络选择的实用建议。

Dec, 2021

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

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

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

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。

Jun, 2023

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

我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。

Mar, 2024

本研究旨在解决图神经网络（GNN）中图结构学习（GSL）对性能影响的模糊性和缺乏理论分析的问题。提出的新框架通过分析原始拓扑和新构建拓扑节点表征之间的互信息，揭示了GSL在许多情况下无法提高GNN性能的事实，这促使我们重新审视GNN设计中的自我训练和结构编码等基本组成部分。

Nov, 2024