本文提出一种用于半监督图节点分类的“图推理学习”(GIL)框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系的元优化，使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估，结果表明，与半监督节点分类任务中最先进的方法相比，我们提出的GIL方法具有卓越的性能。

Jan, 2020

本研究提出Causal Attention Learning (CAL)策略，利用因果推断来处理图分类过程中存在的confounding effect of shortcuts，该方法借助注意力模块估计因果特征和快捷特征，并对因果理论进行参数化背门调整。实验结果表明，CAL策略在合成和真实数据集上均取得了良好的效果。

Dec, 2021

本研究探讨了基于自监督时间修剪框架的无监督动态图修剪问题，旨在删减冗余边降低时间与空间负担，并在真实数据集上验证了该方法对于提高动态节点分类任务中GNN的效率、鲁棒性和效果的优越性。

May, 2023

通过引入可训练的深度学习架构 —— 神经雪花，对给定的有限权重图进行等距嵌入，以适应动态重连或推断图的预测性下游性能，以实现低维等距嵌入潜在图，并通过与MLP编码器的组合，以低次多项式数量的参数使用，不陷入维度诅咒，从而实现改进的性能，而无需随机搜索最佳潜在几何结构。

Oct, 2023

本研究提出了一种不同iable方法，通过反向传播，根据下游任务选择最佳嵌入空间来进行潜在图推理，从而消除了进行多个实验以确定最佳嵌入空间的需要。此外，我们还探索了一种可解释性技术，通过跟踪不同潜在图的梯度贡献，揭示了我们的基于注意力的完全不同iable方法如何学习选择适当的潜在空间。与以前的研究相一致，我们的实验证明了超球面空间在提高性能方面的优势。更重要的是，我们的可解释性框架提供了一种通用方法，根据它们的贡献，量化比较不同任务中的嵌入空间，这一维度在以前的潜在图推理文献中被忽视。

Nov, 2023

图稀疏训练（GST）提出了一种动态调整数据层稀疏度的方法，通过Equilibria Sparsification Principle来实现拓扑和语义信息的平衡，从而产生一个具有最大拓扑完整性且没有性能下降的稀疏图。

Feb, 2024

通过无监督学习简化后的多层感知器（MLPs）在图表上进行学习，以增强泛化效果，特别是在未见节点的设置中，实现了显著的性能提升（7-26%）和图表推断加速（90-126倍），在大规模图表数据集上优于现有基准方案。

Feb, 2024

使用混合图(MoG)技术对图神经网络进行图稀疏化处理，针对每个节点的特定环境选择合适的稀疏方案，并在Grassmann流形上生成最优稀疏图，从而实现更高的稀疏度水平、GNN推理速度的提升，并改善“顶级学生”GNN在性能上的表现。

May, 2024

本研究针对传统图划分（GP）方法的效率低下问题，提出了一种名为PR-GPT的创新框架，该框架结合了预训练和细化的理念。核心发现是，通过在小型合成图上进行离线预训练，PR-GPT能够有效地将模型推广至大型图，从而提高图划分的速度和质量，且无需重新训练，具备良好的推理效率和流处理支持。

Sep, 2024

本研究针对图神经网络（GNN）在推理成本高的问题，提出了一种稀疏分解的方法，通过减少聚合时纳入的节点数量来降低计算复杂度。这种方法能够有效提高模型的推理速度，同时保持与传统GNN模型相似的准确性，具有重要的应用潜力。

Oct, 2024