提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

Apr, 2018

本文介绍了 DistDGL 系统，作为基于 Deep Graph Library（DGL）进行开发的图神经网络（GNN）的分布式训练系统，具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法，并支持非本地节点组成的自我网络进行小批量训练。经过优化后，该系统可以在线性速度下训练高质量的模型，并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。

Oct, 2020

通过针对机器学习中常见程序设计模式进行设计，使用 GraphLab 可以实现异步迭代算法的紧凑表达，同时保证数据一致性和高并行性能，将并行性能优化的提升应用于大规模实际问题中，并取得了很好的表现。

Aug, 2014

我们提出了一种名为大图生成模型（LGGM）的新型图生成模型，该模型在来自 13 个不同领域的大量图形语料库（超过 5000 个图形）上进行训练，并且在零样本生成能力方面优于现有的图生成模型。此外，我们的预训练 LGGM 可以轻松地通过来自目标领域的图形进行微调，并展现出比从头开始训练的模型更好的性能，作为实际定制的坚实起点。该模型还具备了根据文本提示生成图形的功能（文本到图形），该功能将底层语言模型中的广泛世界知识整合在一起，为用户提供对生成图形的细粒度控制。我们在下面的链接上发布了代码、模型检查点和数据集。

Jun, 2024

本论文探讨了复杂系统的建模与分析，使用动态图模型，基于 Java 的 GraphStream 库提供了动态问题建模和经典图形处理的工具，并依靠事件驱动引擎实现。

Mar, 2008

ProGraML 是一种使用低级别、语言无关和可移植格式的新颖基于图的程序表示，其中包含能够对整个程序或每个顶点执行分类任务的机器学习模型，其提供了一种通用的程序表示，使可学习的模型能够执行优化所必需的程序分析类型，并在传统编译器分析任务、异构设备映射和程序分类等高级任务方面取得了具有以下优势的最新性能：94.0 F1 评分

Mar, 2020

本文介绍了一种名为 GraphGen 的领域无关技术，它使用 DFS 代码将图形转换成序列，并利用一种新颖的 LSTM 架构学习图形和语义标签之间的复杂联合分布，从而克服了许多现有技术的局限性，该技术在多个性能指标方面表现优异。

Jan, 2020

这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。

Jun, 2023

使用基于大型语言模型的 ChatGraph 框架，用户可以通过自然语言与图形进行交互，更加易于使用和灵活，通过理解用户的输入提示文本和图形，ChatGraph 生成图分析 API 链。

Jan, 2024

本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

Jan, 2022