该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

Jul, 2022

我们提出了一种基于图的关注机制模型（GRAM），通过对医学本体的层级信息进行补充，将医疗电子记录 (EHR) 描述成医学本体中的祖先组合形式，并通过自适应关注机制实现对医学本体的解释性学习，提高了医疗预测建模的准确性和解释性。

Nov, 2016

本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

Jul, 2023

本论文提出了一种基于超图注意力网络的模型 ——HyperGAT，旨在解决文本分类中词语高阶交互捕捉问题和处理大型数据集和新文档的问题，并在多个基准数据集上进行了广泛的实验证明了该方法的有效性。

Nov, 2020

本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

Oct, 2017

通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用，使用深度学习方法在疾病风险预测方面取得了早期成功。然而，现有研究对 EHR 数据的潜力未能充分利用，存在着许多关键问题，如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动态等。为了克服这些限制，本研究引入了一种新型的异构图学习模型，旨在融合疾病领域知识，阐明药物和疾病之间错综复杂的关系。该模型创新性地将时间数据融入到访问级嵌入中，并利用一个考虑时间的 Transformer 和自适应注意机制来生成患者表示。经过两个医疗数据集的评估，我们的方法在预测准确性和可解释性方面表现出显著提升，为个性化和主动式的医疗管理迈出了实质性的进展。

Apr, 2024

基于图注意力网络（GATs）的 'HemaGraph' 框架用于从流式细胞术数据中进行单个细胞多类分类，利用 GATs 的能力捕捉细微的细胞关系，获得高度准确的患者分析结果。该方法在 30 名患者数据的评估中表现出优异的性能，在五个不同的细胞类别上超过了传统和最先进的方法。此外，该框架的独特之处在于训练和测试阶段，它已经应用于包含数十万个节点和两百万条边的极大图谱中，以检测低频细胞群体，并实现了高达 98% 的准确度。我们的发现强调了 HemaGraph 在改善血液学多类分类中的潜力，为个性化干预铺平了道路。据我们所知，这是首次尝试使用 GATs 和图神经网络（GNNs）来从单个细胞流式细胞术数据中分类细胞群体，我们设想将此方法应用于更大的患者队列的单个细胞数据和其他血液学疾病。

Feb, 2024

提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

Apr, 2024

本文提出了一种高阶图注意力网络 (H-GAT)，该网络能够捕捉高阶结构，同时将基本面分析因素与技术分析因素相结合，通过预测股票收益等指标进行实证分析，证明了 H-GAT 方法的优越性。

Jun, 2023

本论文提出了一种新颖的基于注意力机制的节点嵌入框架，该框架使用基于节点周围子图集合的分层核，并使用一个光滑的统计流形来比较多组集合，从而明确计算与高斯混合嵌入流形的传播注意，其应用在节点分类任务上，取得了优于现有模型的效果。

May, 2023