本文综述了最近在图结构学习（GSL）方法中的 进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。

Mar, 2021

本论文提出了一种实用的无监督图结构学习（GSL）范式，使用自我监督对比学习辅助产生“锚图”目标，采用新型自举机制升级锚图并设计多种图学习器和后处理方案，取得了显著有效性和优化图的高质量。

Jan, 2022

本研究探索了Graph Prompt作为预训练GNN模型适应下游任务的有效替代方法，通过对下游图形的图形级转换进行任务特定的图形提示来实现，从而实现与微调相当甚至在某些情况下获得显著性能提升。

Sep, 2022

本文提出了一种图结构学习方法——图结构精炼方法(GSR)，采用预训练-微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络(GNN)的效能和扩展性。

Nov, 2022

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

我们提出了一种名为统一图结构学习（UGSL）的框架，用于图结构学习的基准策略，该框架将现有模型重构为一个单一模型，并对框架中不同组件的有效性进行了广泛分析，结果详细说明了该领域中的不同方法及其优缺点。

Aug, 2023

使用20个不同的图数据集和16个不同的GSL算法构建的全面图结构学习基准(GSLB)系统地分析了GSL的性能，并评估了前沿的GSL算法在节点级和图级任务中的表现，以及它们在鲁棒学习和模型复杂性方面的性能并提供了可视化的方法进行训练、评估和可视化不同的GSL方法。

Oct, 2023

图神经网络(GNN)在学习图数据的语义方面具有很强的能力。最近，一种名为“预训练、提示”的新范式在利用较少监督数据将GNNs适应各种任务方面取得了有希望的结果。成功的这种范式可以归因于预训练和面向任务的提示调整之间更一致的目标，其中预训练知识可以有效地转移到下游任务。然而，现有研究中一个被忽视的问题是，在预训练阶段利用图的结构信息来学习节点表示，而在提示调整阶段却被忽略了。为了弥合这一差距，我们提出了一种新颖的基于结构的GNN提示方法，即SAP，它在预训练和提示调整阶段都一致地利用了结构信息。具体来说，SAP使用双视图对比学习来对齐节点属性和图结构的潜在语义空间，并在提示的图中加入结构信息以引发更多预训练知识。我们在节点分类和图分类任务上进行了大量实验证明了SAP的有效性。此外，我们还表明SAP可以在同质和异质图上的更具挑战性的小样本场景中实现更好的性能。

Oct, 2023

近年来，图式提示学习/调整在适应预训练模型的图表示学习中引起了越来越多的关注。本文提出了一种新的统一的图选择提示特征学习（GSPF）方法来进行图神经网络的微调，该方法能够集成对图节点和边进行提示学习，并且通过集中关注重要的节点和边来选择性地进行提示学习，从而使得模型更加可靠和紧凑。实验结果表明了所提出的GSPF方法的有效性和优势。

Jun, 2024

本研究旨在解决图神经网络（GNN）中图结构学习（GSL）对性能影响的模糊性和缺乏理论分析的问题。提出的新框架通过分析原始拓扑和新构建拓扑节点表征之间的互信息，揭示了GSL在许多情况下无法提高GNN性能的事实，这促使我们重新审视GNN设计中的自我训练和结构编码等基本组成部分。

Nov, 2024