本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

本文提出了一种新型深度学习模型，使用图神经网络（GNN）—— 特别是交互网络（IN）进行情境嵌入，以应对以表格形式存在的异构数据和特征。该模型在五个公共数据集上的深度学习基准测试中表现优异，优于最近发表的研究结果，并在与增强树解决方案的比较中也取得了竞争结果。

Mar, 2023

比较研究了使用不同的树模型对优化器在复杂工作负载下的成本估算和计划选择性能的影响，并探索了使用图神经网络在查询计划表示任务中的可能性。提出了一种新颖的树模型，结合有向图神经网络和门控循环单元（GRU），实验结果表明，与现有树模型相比，新的树模型在成本估算任务和计划选择性能方面具有显著改进。

May, 2024

本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

Dec, 2020

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

Aug, 2023

通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。

Aug, 2022

本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

Oct, 2020