本论文提出了一种名为 Meta-GCN 的元学习算法，通过同时最小化无偏元数据集损失和优化模型权重来自适应地学习样本权重，实验证明 Meta-GCN 在两个不同数据集上的分类任务中在准确性、接收器操作特性下的曲线下面积（AUC-ROC 曲线）和宏 F1 分数等方面优于现有最先进框架和其他基线模型。
Jun, 2024
本文介绍了一个名为 Meta Weight Graph Neural Network 的模型，该模型可以自适应地构建不同节点的图卷积层来提高图神经网络的表达能力，其通过使用元权重模型来生成自适应图卷积来提高节点表示，并在真实和合成基准测试中进行了广泛的实验证明了其在处理具有不同分布的图数据方面具有出色的表现。
Mar, 2022
图神经网络、图压缩、鲁棒图压缩、训练图、图结构噪声
通过使用噪声节点标签作为附加节点信息的替代，本研究提出了一种对局部图进行聚类的方法。实验证明，使用加权图中的扩散操作可以显著提高局部聚类的性能。
Oct, 2023
这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。
Dec, 2023
提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。
Jun, 2023
本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题，并在七个真实数据集上的实验结果证明了 MOGC 的有效性。
May, 2024
本篇论文研究如何开发一种具有噪声图和有限标记节点的噪声阻抗图神经网络，通过采用噪声边作为监督来学习去噪和密集图的新框架，并利用生成的边来规范化未标记节点的预测，以更好地训练图神经网络。实验结果表明，所提出的框架在具有有限标记节点的噪声图上具有鲁棒性。
Jan, 2022
该论文提出了一种名为 RWL-GNN 的通用框架，它将加权图拉普拉斯学习与 GNN 实现相结合，可以提高 GNN 对于噪音和对抗攻击的鲁棒性，并且在准确性和计算效率方面表现出色。
Aug, 2022