本文提出了一种名为GDC的基于图扩散的图卷积方法，与传统的基于直接邻接节点的图卷积方法相比，它可以处理真实图中任意定义边界带来的噪点问题，并在各种图神经网络和其他基于图的算法中取得了显著的性能提升，同时不需要改变原算法的计算复杂度。

Oct, 2019

本文介绍了DiGress，一种用于生成具有分类节点和边缘属性的图形的离散去噪扩散模型。通过逐步添加或删除边缘和更改类别的过程，我们的模型利用离散扩散过程逐步编辑具有噪声的图形。同时，我们还提出了一种控制生成过程的图级特征的程序，并使用了马尔可夫噪声模型和辅助图理论特征，进一步提高了样本质量。DiGress在分子和非分子数据集上取得了最先进的性能，在平面图数据集上有效性提高了3倍。此外，该模型是首个能够不使用分子特定表示就能扩展到包含130万药物分子的大型GuacaMol数据集的模型。

Sep, 2022

本文提出了一种名为EDGE的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。

May, 2023

本文提出了一种名为方向扩散模型的新型模型，该模型在学习非等向性结构时比传统扩散模型更加有效，应用于无监督表示学习，并在12个公共数据集上的不同图表示学习任务中得到证明。

Jun, 2023

本文提出了一种基于变分分析的归纳偏差方法以增强图神经网络的长距离依赖和全局模式捕捉能力，并采用总变差方法对图扩散模式与社区拓扑进行对齐，最后构建了一种能够预测图中传播流的生成对抗网络。最终，我们的方法在Cora、Citeseer和Pubmed等著名图学习数据集上实现了最新的性能水平。

Jul, 2023

我们提出了第一个框架，允许使用一个模型解决所有级别（节点、边和图）和所有类型（生成、回归和分类）的图学习任务。我们首先提出了潜在图扩散（LGD），它是一个生成模型，可以同时生成所有类别的节点、边和图级特征。我们通过将图结构和特征嵌入到潜在空间中，并利用一个强大的编码器对其进行解码，然后在潜在空间中训练扩散模型来实现这个目标。LGD还能够通过一个特殊设计的交叉注意机制进行条件生成。然后，我们将包括回归和分类在内的预测任务制定为（条件）生成，使我们的LGD能够解决所有级别和所有类型的任务，并提供可证明的保证。通过广泛的实验证明了我们框架的有效性，其中我们的模型在生成和回归任务中达到了最先进或极具竞争力的结果。

Feb, 2024

我们提出了UniAug，这是一个建立在扩散模型之上的通用图结构增强器，通过预训练的扩散模型进行结构增强，在不同领域的图上实现了性能的持续改进，并在图数据扩展领域展示了首次示范。

Jun, 2024

同质性原则（Homophily principle）是图神经网络（Graph Neural Networks）在图结构数据中表现优越的主要原因，但低同质性（heterophily）却是导致某些情况下图神经网络表现不理想的主要原因。本综述调查了异质图学习的最新进展，包括标杆数据集的详细概述、合成图上同质性度量的评估、最新监督和非监督学习方法的分类、同质性/异质性的理论分析以及与异质性相关的广泛应用。同时，我们首次将标杆的异质性数据集分为恶性、良性和模糊三个子类，其中恶性和模糊数据集是用于测试新模型在异质性挑战上有效性的真正具有挑战性的数据集。最后，我们提出了几个关于异质图表示学习的挑战和未来方向。

Jul, 2024

本研究聚焦于扩散模型在图中的理解，填补了理论与应用之间的空白。通过对不同扩散和采样技术的实证研究，探讨了噪声、采样方法的选择及神经网络 approximating 函数的复杂性对模型表现的影响。研究结果将有助于深化对扩散模型的理解，并推动其在图机器学习中的应用。

Aug, 2024

本研究解决了传统图拉普拉斯在捕捉异质图长距离信息方面存在的局限性。提出了一种新的参数化拉普拉斯矩阵，能够灵活控制节点间的扩散距离，从而改善长距离信息的捕捉能力。实验证明，所提出的模型在多个真实世界基准数据集上显著优于现有最先进模型，显示出其强大的适应性与实用性。

Sep, 2024