本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

Oct, 2023

本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

Aug, 2018

本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

Jan, 2021

图神经网络 (GNNs) 在逐步沿边传播和聚合消息来表示具有依赖性的数据方面取得了巨大的成功。然而，现实世界中的图中的边通常具有不同程度的难度，甚至有些边对下游任务来说是有噪声的。因此，现有的 GNNs 可能导致子优化的学习表示，因为它们通常会将图中的每条边都视为相等的。另一方面，课程学习 (Curriculum Learning, CL) 模仿了按照有意义的顺序学习数据样本的人类学习原则，在提高表示学习器的泛化能力和鲁棒性方面已被证明是有效的。然而，现有的 CL 策略是为独立数据样本设计的，不容易推广到处理数据依赖性。为了解决这些问题，我们提出了一种新颖的 CL 策略，根据训练状态下期望给出的边的难度逐步将更多的边纳入训练中，其中难度程度由边的表现良好程度来衡量。我们通过对九个合成数据集和九个现实世界数据集进行广泛实验证明了我们方法的优势。我们提出的方法的代码可在此链接获得：https://...

Oct, 2023

本文提出了一种基于课程学习的图神经网络框架（GNN-CL），包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失，通过动态调整这两个模块的权重实现更好的泛化和判别能力。该框架在多个广泛使用的图数据集上进行评估，结果表明我们的模型始终优于现有最先进的方法。

Feb, 2022

存在不可翻转的结构化平衡信息挑战时，我们提出了一种强大的平衡增强有符号图对比学习（BA-SGCL）框架，它结合了图对比学习原理和平衡增强技术，并且在各种数据集上展现了对抗攻击下的鲁棒性以及链接符号预测任务上的卓越性能。

Jan, 2024

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

Mar, 2020

通过引入一种建立在图复杂性规范和模型能力的新方法，本文在课程学习中提出了一种新的视角，该方法通过考虑不同样本困难度和模型能力的观点，在训练过程中推导出有效的课程表，为图神经网络的课程学习研究提供了进一步的发展。实验结果表明了该方法在实际的链接预测和节点分类任务中的有效性。

Jul, 2023

本文研究异构图神经网络 (HGNNs) 的课程学习技术应用，设计了一种损失感知的训练进度表，命名为 LTS，该表度量数据的每个节点的质量，并逐步增加难度地将训练数据集融入模型中。LTS 可无缝集成到各种框架中，有效减少偏差和方差，减轻噪声数据的影响，并提高整体准确性，从而展示了课程学习在增强 HGNNs 分析复杂图结构数据能力方面的功效。

Feb, 2024