通过利用动态网络的控制特性对无监督图表示学习问题进行研究，我们提出了一种基于对比学习的新框架。我们通过利用网络的控制特性生成扩展图，保留了原始图的结构特征，提高了分类任务准确性。这种创新方法的关键在于利用控制特性解码网络结构，为无监督图表示学习开辟了新的方向。

Mar, 2024

本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

Jan, 2024

不需了解动力学的情况下控制动态系统是一项重要且具有挑战性的任务。我们提出了一种控制理论方法，通过加入可控性约束来增强数据估计的模型，从而实现从数据中提取更有效的控制器。该方法展示了基于深度神经网络的模型估计与解决方案性质的控制理论保证之间的联系，并在两个标准经典控制系统中证明了其优势。

Nov, 2023

本文提出了一种新的、通用的韧性学习方法，通过图转换器完成对多方面的可控性鲁棒性学习和联通性鲁棒性学习任务，并通过大量实验证明其高精度和高速，具有强大的泛化能力和可转移的特征学习模块。

Jun, 2023

使用机器学习的新方法 GraphCC 来优化数据中心网络中的拥塞控制，通过多智能体强化学习和图神经网络来优化全局拥塞控制配置，与基于 ECN 的拥塞控制协议兼容，并在各种情景下展示了较高的性能。

Aug, 2023

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

基于连续时间的表示学习模型 (CONTINUOUS-TIME REPRESENTATION LEARNING, CTRL) 在时态异构信息网络 (HINs) 上进行归纳表征学习。通过综合三个部分，即异构注意力单元、基于边缘的 Hawkes 过程和动态中心性，CTRL 模型能够保留异构节点特征和时间结构，以捕捉高阶网络结构的演化。实验结果表明，我们的模型在三个基准数据集上显著提升性能，超越各种最先进方法，模型设计的有效性得以证明。

May, 2024

通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性，实验证明该方法可在模拟场景中准确定位故障节点，准确率达到 99.53%，此外，图神经网络的特征建模还可定性揭示故障在节点之间的传播情况，提供有价值的故障节点分析洞察。

Nov, 2023

本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

Nov, 2019

通过 GraphControl 模块和先进的图结构预训练模型，解决了在不同图中转移预训练模型到下游任务时的可迁移性和特异性之间的困境，并在目标数据集上实现了 1.4-3 倍的性能提升。

Oct, 2023