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
本文提出了一个名为SE-GSL的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。
Mar, 2023
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
本文介绍一种新的问题设置，探索学习通用图结构学习模型以在开放环境下推广，从而进一步优化可适应特定图数据集的图结构，通过多个特定的 GNN 模型应对多样化数据集。
本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。
Jul, 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
通过任务无关的图结构损失函数，我们提出了一种名为Graph structure Prompt Learning（GPL）的新型图结构预测学习方法，能够提高图神经网络（GNNs）的训练效果，进而有效学习内在的图特征，大幅提升节点分类、图分类和边预测任务的性能。
Jul, 2024