本研究提出了一种新的方法，学习一种非参数图模型，称为图基，该模型定义于无限维空间中，表示任意大小的图，我们通过基于图基理论的弱规律引理，利用一个阶梯函数来近似图基，然后利用图基的割距可以松弛到其阶梯函数的 Gromov-Wasserstein 距离来学习一组图的对应阶梯函数。该方法不仅有效地克服了先前的方法的缺点，而且在合成和实际数据上表现出更好的性能。

Dec, 2020

本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

Jun, 2020

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。

Feb, 2022

本研究开发了一种适用于图数据的 Mixup 方法，通过插值不同类别图的生成器以获得混合图，从而提高了图神经网络的泛化能力和鲁棒性。

Feb, 2022

本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型，可用于关系图的聚类。

Nov, 2019

本文提出了一种基于 Fused Gromov-Wasserstein 度量空间的 FGWMixup，旨在通过匹配图之间的节点来找到一种匹配策略，以提高图神经网络的泛化性和鲁棒性。

Jun, 2023

本文提出了 GraphAug，一种自动化的数据增强方法，通过采用基于强化学习的训练方法最大化预测的标签不变概率，可以在大多数时候产生标签不变性数据增强，并在不同的图分类任务中优于以前的图增强方法。

Feb, 2022

本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

Apr, 2021

该论文提出了一种名为 Metropolis-Hastings Data Augmentation（MH-Aug）的新型框架，利用 Metropolis-Hastings 算法从一个显式目标分布中抽取增强的图形，实现对图形神经网络进行半监督学习，从而改善了 GNN 的性能。

Mar, 2022