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

本文介绍了一种计算效率高且模块化的框架 ——Latent Graph Attention（LGA），该框架能够将全局背景信息融入现有架构中，特别是能够使小型架构的性能接近大型架构，从而使轻量级架构在计算能力和能源需求较低的边缘设备中更加有效。在透明物体分割、去雾图像恢复和光流估计三个应用中，LGA 模块的引入改善了性能。

Jul, 2023

本文提出了一种基于图的拓扑推理和图权重估计的方法来解决逆协方差估计问题，其中图的拓扑使用拓扑推理步骤来推断，估计的图权重受到该推理步骤找到的拓扑的约束。这种方法已在合成和纹理图像数据上取得了良好的结果。

May, 2017

Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

Sep, 2018

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

本文提出了基于 D2PT 框架的双通道图神经网络，旨在有效地解决弱信息下的图学习问题。对实验结果的分析表明，D2PT 通过实现远距离传播和全局信息传播等两个关键的设计，能够有效地解决由于图数据的多种信息缺失造成的互相干扰的图学习问题。

May, 2023

本文提出了一种新颖的半监督学习范式，旨在解决标签不足和标签不准确的问题，该方法使用图来连接数据点以便在图边沿将标签信息从稀少标记示例传播到未标记的示例。实验证明，该方法在图像分类、文本分类和语音识别等领域有效降低标签误差，表现优于其他现有的半监督学习方法。

Feb, 2019

为应对稀疏知识图谱中存在的问题，提出一种新颖的框架 LR-GCN，在 GNN 预测器和推理路径提取器的共同作用下，使用变分 EM 算法能够自动捕捉实体之间的长程依赖性，从而提高知识图谱完成的效率。

Jun, 2023

本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

Oct, 2020