本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。

Jun, 2023

我们提出了一种更通用的无监督图补全学习（UGCL）框架，借助自监督学习来改善现有的 GNN 变体在具有特征和结构缺失的图上的任务性能。我们通过将特征重建和结构重建分离，并依次设计其个性化模型来避免 GNN 消息传递过程中缺失节点特征和结构之间的不匹配。然后，引入了在结构级别和特征级别上的双对比损失，以最大化通过特征重建和结构重建路径得到的节点表示的互信息，从而提供更多的监督信号。最后，重建的节点特征和结构可以应用于下游节点分类任务。我们在八个数据集、三种 GNN 变体和五种缺失率上进行了大量实验证明了我们提出方法的有效性。

Sep, 2023

在复杂网络中，图神经网络（GNNs）在各种基于学习的任务中表现出显著的优势。然而，对于许多网络应用而言，节点级信息可能缺失或不可靠，从而限制了 GNNs 的适用性和效果。为了解决这个问题，我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation（ESGEA）的新方法，旨在增强和设计节点特征，特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成，并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征，则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构，即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估，其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明，在图分类任务和节点分类任务中，AUC 值和准确度分别提高了 10% 和 7%。

Oct, 2023

本研究提出了一种名为 Feature Propagation 的方法，通过 Dirichlet 能量的最小化处理缺失特征值，得到在图机器学习领域中处理缺失功能数据的方法。研究表明，该方法在节点分类基准测试中的表现优于以前的方法，并且可以经受极高比例的缺失特征。

Nov, 2021

本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。

Jan, 2024

本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

Apr, 2021

本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。

Feb, 2023

本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。

Jun, 2018

COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

Jul, 2023

该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

Jul, 2020