该论文提出了一种 Pseudo Contrastive Learning (PCL) 的通用框架，该框架通过生成可靠的对比对来解决生成高质量伪标签的问题，通过对负样本进行 dropout 来实现数据增强。 最终，实验证明该方法在五个真实世界的图上均优于其他普遍技术。

Feb, 2023

本研究提出了一种新的信息伪标签框架（InfoGNN），以最大化互信息为基础，通过伪标签化最具信息代表性的节点来促进使用极少数标记的 GNN 的学习。同时，也提出了一个广义交叉熵损失函数，并使用类平衡正则化来解决潜在的标签噪音和类不平衡问题。实验证明，该方法在六个真实图数据集上显著优于基线和强自监督方法。

Jan, 2022

我们提出了一种新颖的图表示学习方法，使得图神经网络模型能够在部分标记学习的背景下有效地学习有区别的信息，通过融入辅助训练和潜在因果提取，我们的方法可以过滤掉标签中的噪声，理论分析和实验证明了我们方法的优越性。

Mar, 2024

通过集成部分标签学习和负向学习来革新嘈杂标签学习，通过自适应地将标签空间分解为候选标签和补充标签，并引入困难清晰度和软清晰度两种适应性数据驱动的标签模糊辨别范式来提高模型的鲁棒性，并通过一致性正则化术语维持标签可靠性。与其他最先进方法相比，NPN 表现出了优越性能。

Dec, 2023

图神经网络（GNNs）用于链接预测，有两种广泛的分类。首先，以节点为基础的体系结构为每个节点预先计算个体嵌入，之后由简单的解码器组合以作出预测。与推理时的极高效性相比（因为节点嵌入只计算一次并重复使用），模型的表达能力有限，即对候选边贡献的同构节点可能无法区分，从而损害准确性。相反，基于边的方法依赖于形成特定于边的子图嵌入以丰富对配对关系的表示，以消除同构节点以提高准确性，但代价是增加模型复杂性。为了更好地权衡这种权衡，我们提出了一种新颖的 GNN 体系结构，其中 “前向传递” 显式依赖于正向（一般情况下）和负向（我们方法独有）边，以摄入更灵活但仍然廉价的以节点为基础的嵌入。通过将嵌入自身重新定义为正负样本分离的正向传递特定能量函数（与实际训练损失不同），所提出的体系结构在广泛的经验评估中得到了验证，既保持了以节点为基础的模型的推理速度，又产生了与基于边的替代方法竞争性的准确性。

Oct, 2023

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

本文提出了一种抵抗标签噪声的新型图神经网络，通过链接具有高特征相似性的未标记节点和已标记节点以及精确的伪标签来提高半监督节点分类的准确性，并在真实数据集上进行了广泛的实验研究。

Jun, 2021

本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

Dec, 2022

本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

Nov, 2021

研究表明，在多标签分类领域中，将未观察到的标签假定为负标签会引入标签噪声，因此提议通过提高部分标记训练的模型的属性分数以改善其性能，并在三个不同数据集上进行测试。

Apr, 2023