本文提出了自监督学习框架 MaskGAE，以 Masked Graph Modeling 为前置任务，证明其可以大大提高自监督学习方案。经过广泛的基准测试，证明了 MaskGAE 在连接预测和节点分类任务上的优越性。

May, 2022

本文提出了一种新颖的 MGAE 框架，通过对图结构进行随机遮掩边来重构这些缺失的边并利用 GNN 对部分遮掩的图进行传播来训练 MGAE 以达到有效学习图结构数据的目的，并在多个开放数据集上进行了广泛实验，表明 MGAE 在链接预测和节点分类方面总体性能优于最先进的无监督学习竞争对手。

Jan, 2022

本文研究了自监督自编码器在图数据中的表现问题，并提出一种新的自编码器模型用于图形表示学习，该模型包括分层自适应掩蔽机制和可训练的破坏机制，通过在十个基准数据集上的广泛实验，证明了所提出方法相对于现有的图表征学习模型其卓越性。

Jan, 2023

我们提出了一种名为 GiGaMAE 的新型图掩蔽自编码器框架，通过协同重构信息化和综合的潜在嵌入，从而解决了当前图数据上遇到的推理能力不强的问题。通过将图拓扑和属性信息包含在嵌入中，作为重构目标，我们的模型能够捕捉到更广义和综合的知识，并引入基于互信息的重构损失，使得能够有效重构多个目标，实验结果表明 GiGaMAE 在多个基准测试中表现优于现有基线模型。

Aug, 2023

图聚类算法中的自编码器结构因其高效性能和低训练成本而近来受到关注。然而，对于基于 GCN 或 GAT 的现有图自编码器聚类算法来说，它们不仅缺乏良好的泛化能力，而且很难自动确定由这些自编码器模型聚类的群集数目。为解决这个问题，我们提出了一个称为 Graph Clustering with Masked Autoencoders (GCMA) 的新框架。它利用我们设计的基于图遮蔽方法的融合自编码器来进行图的融合编码。在解码过程中，它引入了我们改进的基于密度的聚类算法作为第二个解码器，并通过多目标重构进行解码。通过解码遮蔽嵌入，我们的模型能够捕捉到更广义和全面的知识。在提高泛化能力的同时，可以输出端到端的群集数目和聚类结果。作为一种非参数类方法，广泛的实验证明了 GCMA 相对于最先进的基准算法的优越性。

Jan, 2024

通过在理论上构建 GraphMAE 和 GCL 之间的桥梁，我们证明了 GraphMAE 中的节点级重构目标隐含地执行上下文级 GCL，并指出了 GraphMAE 在对齐性和一致性方面的局限性。为了解决这些限制，我们提出了一种增强的对齐一致性图掩码自编码器 AUG-MAE，并通过实验证明了该模型优于现有最先进方法。

Feb, 2024

本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

Jul, 2022

研究了使用新型的自编码器方法来提高新颖性检测，使用 Mask Module 生成最优的遮罩，通过两个竞争的网络来优化输入遮罩，达到了比传统方法更好的效果。

Mar, 2021

本研究旨在解决社交媒体上的假新闻检测问题。通过开发一种基于神经网络的模型（GCAN），该模型能够通过关注具有嫌疑的转推者和他们关心的词语，准确地预测 tweet 是否是假的，并生成合理的解释。实验结果表明，GCAN 的准确率平均比最先进的方法高出 16％，同时还能够提供合理的解释。

Apr, 2020