图变分扩散网络实现鲁棒节点表示学习
本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。
May, 2023
本文提出一种新的层级变分 GRNN 模型，引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新 VGRNN 架构（SI-VGRNN）并在多个真实世界的动态图数据集上进行实验，结果表明 SI-VGRNN 和 VGRNN 在动态链接预测中连续优于现有基线和最先进的方法。
Aug, 2019
本文提出了在超几何空间学习动态图形表示的方法，并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性，设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征，此外还引入了超几何正态分布的可重参数采样算法，用于使 HVGNN 具有梯度优化能力，并在现实数据集上的实验中取得了优于现有基线的效果。
Apr, 2021
本文提出了一种基于分布感知的双向生成对抗网络（DBGAN）来学习图表示，该网络通过原型学习隐式地桥接了图和特征空间，生成了所有节点的判别性和稳健性表示，并通过双向对抗学习框架平衡了对样本级和分布级一致性，在各种任务中实现了更有利的折衷方案。
Dec, 2019
本文提出了一种改进的联合学习框架，包括强鲁棒性嵌入判别器和局部结构约束，来改善 VaDE 聚类方法的两个问题。实验结果表明，我们的方法在各种基准数据集上表现优于现有模型，并且对抗输入具有极强的稳健性，可实际应用于实践。
Dec, 2020
本文提出了一种基于变分分析的归纳偏差方法以增强图神经网络的长距离依赖和全局模式捕捉能力，并采用总变差方法对图扩散模式与社区拓扑进行对齐，最后构建了一种能够预测图中传播流的生成对抗网络。最终，我们的方法在 Cora、Citeseer 和 Pubmed 等著名图学习数据集上实现了最新的性能水平。
Jul, 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
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本研究分析了现有采样方法中存在的方差问题，提出了一种基于梯度信息和嵌入逼近的解耦合方差缩减策略，该方法即使在更小的批量尺寸下也具有更快的收敛速度和更好的泛化效果。
Jun, 2020