本文提出了一种利用图结构进行正样本 - 未标记样本节点分类的方法，通过引入图中的同类偏执（homophily）来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。理论分析表明，最小化所提出的损失函数也同时最小化了期望损失，可适用于同时具有正负标签的样本。大规模的实证评估表明，该方法相比现有的最先进方法具有更卓越的性能。

Oct, 2023

我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。

Mar, 2024

本文综述了关于从异质图中学习的现有研究成果，包括图的学习策略、模型架构和应用案例，并探讨了现有研究的主要挑战和未来研究的有希望方向。

Jan, 2024

提出了一种新的无监督概率图表征学习方法 GREET，通过边鉴别器 (tedge discrimination) 学习鉴别同态和异态的边，采用对偶编码 (dual-channel encodings) 对同态和异态边进行对比，进一步强化边鉴别和表征学习之间的相互协作，提高了在异态图上的泛化能力和鲁棒性。

Nov, 2022

我们提出了一种新的正未标化学习框架，通过预定义无关的表示学习来学习特征空间，然后采用伪标记技术将未标注样本进行分类，利用嵌入的集中性质。该方法在多个标准正未标化基准数据集上明显优于现有的方法，并且不需要先验知识或类先验的估计。值得注意的是，即使标注数据稀缺，我们的方法仍然有效，而大多数正未标化学习算法则表现不佳。我们还提供了简单的理论分析，解释了我们所提出算法的动机，并为我们的方法建立了泛化保证。

Feb, 2024

本文介绍了一种解决正样本与未标记数据（常称为 PU 学习）的二元（正负）分类器学习问题的方法，通过学习基于神经网络的数据表示来实现未标记数据的投影，形成可以使用简单的聚类技术轻松识别的两个（正和负）簇，加强了学习的未标记数据簇之间的分离，实现了对模拟 PU 数据的改进性能的实验证明。

Oct, 2023

本文介绍了使用正样本和未标注样本进行 PU 学习的方法，即使正样本在数据分布中不具有代表性，也可以通过只固定负类分布来解决正偏差问题。通过将负 - 未标注学习与未标注 - 未标注学习相结合或利用递归风险估计方法，可以解决正偏差问题。然后，作者提出一种通用的方法来解决 PU 风险评估的过度配合问题。实验结果表明，无论数据集如何，这两种方法都是有效的。

Feb, 2020

提出了一种新颖的 Positive-Unlabeled Learning Tree (PUtree) 算法，该算法通过考虑不同群体（如年龄或收入段）来解决慢性疾病预测任务中的正无标记学习问题，包括建立基于群体的 PU 模型、采用掩蔽恢复数据增强策略进行模型训练、使用对抗 PU 风险评估器捕捉层次化的 PU 关系，并通过模型融合网络对每条路径的数据进行整合，实现稳健的二元分类结果。在两个基准数据集和一个新的糖尿病预测数据集上验证了 PUtree 及其变体的卓越性能。

Sep, 2023

在本研究中，我们以往对同质性和异质性之间的二分法的认识启发了我们对深度图网络的归纳偏差的研究。然而，最近的研究指出，这种二分法过于简单，因为我们可以构建节点分类任务，其中图形完全异质，但性能仍然很高。我们的工作通过形式化两个生成过程来研究当这种强假设不成立时会发生什么，这两个生成过程可以用于构建和研究即席问题。通过一个我们称之为特征信息量的度量来定量衡量节点特征对目标标签的影响，我们构建了六个合成任务并评估了六个模型（包括对结构不可知的模型）的性能。我们的发现揭示了在放松上述假设时先前定义的度量不适用的事实。我们对研讨会的贡献旨在呈现可能有助于推进我们对该领域的理解的新的研究成果。

Aug, 2023

本文研究任意异质性情况下的图标签噪声问题，提出了一个简单而高效的算法 LP4GLN，通过迭代步骤恢复图的同质性、修正噪声标签，并选择高可信度标签进行下一次迭代，最终在节点分类任务中取得高准确率。

Oct, 2023