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

该研究介绍了一种名为 GEEL（gap encoded edge list）的简单可扩展的图表示方法，它通过差值编码和带宽限制方案显着减小了表示大小和词汇量，不仅提高了扩展性，还简化了图生成过程。对十个非属性图和两个分子图生成任务进行的全面评估表明 GEEL 的有效性。

Dec, 2023

将图编码嵌入方法扩展到包括加权图、距离矩阵和核矩阵等一般图模型，证明该方法满足大数定律和中心极限定理，能够在一定条件下实现渐近正态性，并通过一系列实验证实了这些理论发现。

May, 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

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

本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

该研究提出了一种名为 GEM-D 的新框架，该框架将图嵌入算法分解为三个构建块：节点接近度函数、变形函数和损失函数。此外，他们提出了一种名为 UltimateWalk 的新算法，它是一键式的（无需用户定义的参数），可扩展并具有闭式解决方案。

Feb, 2017

提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

Jul, 2020

在复杂网络中，图神经网络（GNNs）在各种基于学习的任务中表现出显著的优势。然而，对于许多网络应用而言，节点级信息可能缺失或不可靠，从而限制了 GNNs 的适用性和效果。为了解决这个问题，我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation（ESGEA）的新方法，旨在增强和设计节点特征，特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成，并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征，则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构，即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估，其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明，在图分类任务和节点分类任务中，AUC 值和准确度分别提高了 10% 和 7%。

Oct, 2023

本文提出了一种新的高阶随机图嵌入方法（SGE），主要通过一种新的随机搜索过程来提取 / 采样无限高阶图小区域，并将其分布映射到一个给定的图，然后结合最大间隔分类器，能够对数据进行图像识别，并在标准基准数据库上得到了积极的影响。

Feb, 2017