通过将 GEE 算法重构为 Ligra 图引擎中的并行程序，通过在图的边上映射函数并使用无锁原子指令来防止数据竞争，在具有 18 亿边的图上，这使得原始实现速度提高了 500 倍，并且比即时编译的版本快了 17 倍。

Feb, 2024

该研究针对基于子图的预测，设计一种新的 Position-Aware Data-Efficient Learning 框架，提出了一种新的节点位置编码方法和基于扩散变分子图自编码器的生成式子图增强方法，同时提出了探索性和可利用性视图用于子图对比学习。通过三个真实数据集的实验结果表明，本文所提出的方法优于现有的基线方法。

Nov, 2022

本文提出了一种新的 GNN 网络架构 LSPE，通过引入可学习的位置编码对节点的结构表达和位置表达进行解耦，应用在分子数据集上的实验结果表明 LSPE 能显著提高模型性能。

Oct, 2021

本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法，针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务，通过因式特征传播 (Factorized Feature Propagation) 方案加以改进，充分考虑到来自 U 和 V 两个异构节点集的影响，实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验，验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性，与最佳基准模型相比，EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%，在曲线下面积 (AUC) 方面提高 1.86%。

Jun, 2024

通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

Dec, 2023

图编码嵌入（GEE）的稀疏版本在计算和存储零元素方面进行了优化，与原始 GEE 相比，这种改进后的方法在处理大规模稀疏图时实现了显著的加速，可以在标准笔记本上几分钟内处理数百万条边。

Jun, 2024

本文讨论了使用位置编码技术来改进图神经网络在节点集合任务中预测的问题，并提出了一种被称为 PEG 的类 GNN 层，它使用单独的通道更新原始节点特征和位置特征。PEG 同时对原始节点特征施加排列等变性质，并对位置特征施加 O（p）等变性质，其中 p 是使用的位置特征的维度。在 8 个真实世界网络上的广泛链接预测实验表明，PEG 在泛化和可伸缩性方面具有优势。

Mar, 2022

通过动态同步潜在节点表征并利用局部嵌入所提出的 L2G2G 方法，提高了 GAE 的准确性并保持可扩展性，表现优于标准的 Local2Global 方法，并在大型数据集上实现高效可扩展性。

Feb, 2024

研究提出了一种基于分解的连续图表示学习框架 (DiCGRL)，可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。

Oct, 2020

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023