本文研究了使用图神经网络（GNNs）进行无监督场景下的节点表示的学习。我们提出了 SAIL 框架来平滑节点的接近程度，并通过两个互补的自蒸馏正则化模块进行知识蒸馏，实现了竞争性的性能。

Sep, 2020

本研究提出选择性图增强方法（SAug）来解决现实中常见的结构不平衡问题，通过基于 Pagerank 的采样策略来识别中心节点和边缘节点，并提出了一种选择性增强策略来改善节点之间的结构不平衡，最终通过重新训练 GNN 模型实现在骨干 GNN 上的显著改进。

Mar, 2023

本文提出了一种基于图神经网络的推荐模型增量学习框架 GraphSAIL，可以显著减少计算时间并提供更频繁的推荐更新，同时保留用户 / 物品的长期偏好，并通过在训练期间显式地保留每个节点的局部和全局结构以及自我信息来实施图结构保护策略。在两个公共数据集上的实验表明，相对于其他增量学习技术，GraphSAIL 可以显著提高推荐系统的性能。此外，在大规模工业数据集上，该框架也得到了验证。

Aug, 2020

我们提出了一种新颖的长尾增强图对比学习（LAGCL）方法，通过引入可学习的长尾增强方法来增强尾节点，并基于增强的图生成对比视图，显著改善了推荐系统的性能。

Sep, 2023

本篇研究提出了一种新颖的方法，即综合结构知识增强图神经网络 (CoS-GNN)，通过引入新的消息传递方法，使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征，在增强的图结构中大大改善了图神经网络的结构知识建模，从而实现了显著改进的图表示。在大量实证结果中，CoS-GNN 在包括图分类、异常检测和超出分布泛化在内的各种图级学习任务中优于现有的模型。

May, 2024

本文提出了一种名为 STABLE 的无监督流水线来优化图形结构，以增强图神经网络算法的鲁棒性，该方法采用边度量学习来抵御对抗攻击，并设计了一个高级 GCN 来进一步加强其鲁棒性，证明其在四种实际图形基准测试中具有优越的性能表现。

Jun, 2022

通过使用基于 Bloom 特征的消息传递框架，我们提出了一种学习结构化链接表示的方法，并证明其在速度和内存效率上比现有边缘模型更具表达力和可扩展性。

Dec, 2023

采用结构感知的多层感知机（SA-MLP）来代替节点再递归获取和聚合并加入结构信息以提高大规模图上的推理加速，并且引入了结构混合知识蒸馏策略以增强 MLPs 学习结构信息的能力并在传递性和归纳性场景下对 8 个基准数据集进行广泛实验，从而比教师 GNN 更加出色地实现了快速推理。

Oct, 2022

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

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019