该论文探讨了图数据分析中类不平衡的学习问题，并提出了结合图表示学习与类不平衡学习的解决方案 - 类不平衡图学习 (CILG)，并介绍了现有工作的分类法和与不平衡学习文献的联系，同时还对 CILG 的最新工作进行了批判性分析和未来研究方向的讨论。

Apr, 2023

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

本论文主要探讨了在学习节点表示过程中，类不平衡问题是如何影响图像的，同时提出了一种识别和解决图拓扑不平衡问题的新方法，并在系统实验中证明了该方法在缓解拓扑不平衡问题和促进半监督节点分类中的有效性和通用性，同时揭示了不同 GNN 架构对拓扑不平衡的敏感性。

Oct, 2021

通过对 258 篇论文的综合分析，本文着重从技术和应用的角度对不平衡学习进行了深入研究，总结了各种方法在不同领域解决不平衡数据问题的实践，旨在为学术和工业界的研究人员提供一个全面的指南，以利用大规模不平衡数据进行机器学习。

Oct, 2023

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

图机器学习在节点 / 图分类和链接预测方面取得了显著成功，但是边缘分类任务，如社交网络分析和网络安全等应用，却没有得到明显的进展。为了解决这一问题，本研究首次提出了一种全面的边缘分类方法，并确定了一个新的 “拓扑不平衡问题”，该问题源于边缘在不同类别之间的分布不均，影响每个边缘的局部子图，从而影响了边缘分类的性能。通过引入拓扑熵（TE），一种衡量每个边缘拓扑不平衡的新型基于拓扑的度量标准，我们的实证研究证实了 TE 有效地衡量了局部类别分布的差异，并表明优先处理拓扑熵较高的边缘可以帮助解决拓扑不平衡问题。基于此，我们开发了两种策略 - 拓扑重新加权和基于 TE 的拓扑混合，以便根据 TE 集中训练（合成）边缘。虽然拓扑重新加权直接根据 TE 操纵训练的边缘权重，但我们基于拓扑的混合通过在高 TE 楔块之间插入合成边缘进行插值。最终，我们将这些策略集成到一种新的边缘分类方法 “TopoEdge” 中，以解决拓扑不平衡问题。通过大量的实验证明了我们提出的策略在新的数据集上的有效性，并为（不平衡的）边缘分类建立了一个新的基准。

Jun, 2024

本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

Nov, 2023

这篇研究提出了不仅仅是平衡比例问题，还存在方差、距离、邻域和质量不均衡的种类，这些不均衡对学习的公平性产生了显着影响，并提出了一种新的基于对数摇动的失衡学习损失方法来解决比例、方差和距离不平衡问题。实验结果表明了该方法的有效性。

May, 2023

文章调查了图形水平学习的方法，系统分类了传统学习、基于深度学习的图形水平神经网络、图形池，以及图形水平图神经网络，并总结了数据集、评估指标和未来方向等。

Jan, 2023

本文从图形嵌入的定义、挑战及其使用展开了全面综述，总结了图形嵌入的应用领域，提出了四个未来研究方向。

Sep, 2017