本文提出了一个结合 Subgraph GNNs 和 Graph Transformers 的架构，名为 Subgraphormer，通过将 Subgraph GNNs 的增强表达能力、消息传递机制和聚合方案与 Graph Transformers 中最重要的组件 —— 注意力机制和位置编码相结合。我们的方法基于 Subgraph GNNs 和自身的图像乘积之间的新联系，将 Subgraph GNNs 表述为在图像乘积上操作的 Message Passing Neural Networks (MPNNs)。我们利用这种表述设计了我们的架构：首先，我们设计了一个基于图像乘积的连接性的注意力机制。其次，我们提出了一种新颖高效的 Subgraph GNNs 位置编码方案，将其推导为图像乘积的位置编码。我们的实验结果显示，在广泛的数据集上，相比于 Subgraph GNNs 和 Graph Transformers，我们的方法显著提升了性能。

Feb, 2024

本文提出了一种使用图粗化来实现可扩展 GNN 训练的不同方法，详细介绍了图粗化操作的影响和选择方法，并表明图粗化也可看作一种正则化手段。实证结果表明，简单地应用成熟的粗化方法，可以将节点数降低到原来的十分之一而不会导致分类精度的明显下降。

Jun, 2021

该论文介绍了如何利用有意义的子图来加强图神经网络的表达能力，并提出了一个能够同时预测图分类和辅助解释性稀疏子图的新框架，其所提供的子图能够在保持相近精度的情况下提供说明性的解释。

Apr, 2023

本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

Jun, 2022

使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。

Jun, 2020

提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。

Oct, 2021

本文提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用 GNN 的第一近似保证，FGNN 被证明是最具表现力的架构之一，在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。

Jun, 2020

本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。

May, 2023

这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架，通过将节点表示编码为子图而不是子树来表示整个图，从而比 1-WL 更强大地区分几乎所有 r 正则图，并且在基准数据集上表现出高度竞争性表现。

Oct, 2021

通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

Dec, 2023