- 通勤图神经网络
传统图神经网络在处理有向图时存在某些局限，为了填补这一空白，引入了通勤图神经网络（CGNN），它将节点之间的通勤时间无缝集成到信息传递机制中，通过计算新形式的有向图拉普拉斯矩阵并进一步将通勤时间信息整合到邻居聚合过程中，准确捕捉了有向图中的 - 时变网络中的去中心化优化与任意延迟
我们提出了一种称为 DT-GO 的新颖基于八卦的算法，它在不需要了解节点出度的情况下适用于一般的有向网络，对于拥有延迟或有限确认能力的网络。我们推导了凸和非凸目标的收敛速率，并证明我们的算法实现了与集中式随机梯度下降相同的复杂度顺序，也就是 - LightDiC: 大规模有向图表示学习的简单而有效方法
LightDiC 是一种基于磁 Laplacian 的可扩展有向图卷积的变种，通过离线预处理实现拓扑相关计算，具有卓越的可扩展性，能够在没有递归计算成本的情况下单独训练下游预测，实验结果表明 LightDiC 在各种下游任务中表现出色，参数 - 打破半监督节点分类中同质性和异质性的纠缠
最近，图神经网络（GNNs）通过利用图数据库中的知识，在半监督节点分类中展示了显著的性能。然而，大多数现有的 GNN 都遵循同质性假设，即连接的节点更有可能展示相似的特征分布和相同的标签，而这种假设在越来越多的实际应用中被证明是脆弱的。作为 - HoloNets：光谱卷积扩展到有向图
在图学习领域中，传统智慧认为谱卷积网络只能在无向图上部署：只有在这种情况下，才能保证存在一个明确定义的图傅里叶变换，以便在空间域和频谱域之间进行信息翻译。然而，我们通过使用复分析和谱理论中的某些高级工具，证明了这种对图傅里叶变换的依赖是多余 - 基于知识图谱的细胞信号分析中的定向散射
提出一种名为 Directed Scattering Autoencoder（DSAE）的新框架，结合几何散射变换的有向版本，自编码器的非线性降维属性以及双曲空间的几何性质来学习潜在的层次结构，该方法在嵌入有向图和学习细胞信号网络等任务上优 - 有向、加权图的最优运输距离：以细胞间通信网络为例的案例研究
比较最优输运的图表近期引起了相当大的关注，由于最优输运所引发的距离既提供了图表之间的合理度量，又给出了关联图表之间在输运计划方面的可解释描述；由于缺乏对称性，在通常考虑的形式中引入了挑战，因此图表的最优输运距离主要针对无向图进行了开发。在本 - 建立循环有向图中的马尔可夫等价性
我们提出了一种新的、高效的过程来建立可能包含循环的有向图之间的马尔科夫等价关系，它基于 Thomas Richardson 在 90 年代中期关于循环模型的开创性工作中的循环等价理论，并从祖先的角度进行了重新表述。这种简化的特征导致了一种建 - 使用聚类技术分析出租车数据，了解芝加哥的人类移动模式
该研究通过分析 2016 年芝加哥的出租车数据，以理解街区之间的相互联系，提出新的公共交通开发建议，并生成交通流的可视化图表，以加强城市的设计和规划。
- 有向图神经网络是否具有对抗性鲁棒性？
本研究首次探讨有向图在提供网络固有结构丰富信息方面的重要性，为了增强 GNN 的鲁棒性和弹性，我们提出一种全新的信息传递框架作为插件层，并结合现有的防御策略，取得了优异的干净精确度和最先进的鲁棒性能，具有超强的防御转移和自适应攻击的作用。
- 一种用分数图拉普拉斯算子解决过度平滑问题的方法
该文研究了图神经网络中过度平滑问题，并针对无向图将其概念推广至有向图，通过引入指向对称规范化拉普拉斯算子并提出分数图拉普拉斯神经 ODE 框架，实现了在节点间传播信息的同时缓解了过度平滑问题，证明了该方法的有效性并在合成和真实世界的有向无向 - 图上的转移算子：谱聚类与更多
本文介绍了对图进行簇聚算法及其使用 Koopman 算子和 Perron-Frobenius 算子的谱性质，以及如何使用它们的广义传递算子来提出新的有向图聚类算法。
- 边缘定向性改善异质性图上的学习
本文提出了 Directed Graph Neural Network (Dir-GNN) 模型，用于在定向图上进行深度学习，将 incoming 和 outgoing edges 进行独立聚合，以利用方向性信息来增强图的同质性。比较了多种 - 复杂网络中集群结构对于链路预测任务的正向作用的重新思考
本文提出了一种简单而高效的基于聚类的链接预测框架 (ClusterLP)，其中利用聚类结构直接获得无向图和有向图中尽可能准确的节点连接，实验证明该模型在多个真实世界网络上具有高竞争力。
- 基于子图的中心性度量的绝对表达力
本文研究了基于子图的中心性测量方法在有向图和无向图中的表现，并提供了技术工具来确定现有中心性测量方法是否属于基于子图的测量方法。
- AAAI有向图自编码器
本文介绍了一种新型自动编码器，用于有向图的建模，该模型使用带参数图卷积网络 (GCN) 层作为编码器和不对称内积解码器，学习了一对可解释的节点潜在表征，并在几个流行的网络数据集中展示了该模型在有向链接预测任务上取得了优异的性能。
- 条件有向图卷积用于三维人体姿态估计
本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。
- ICML伪里曼流形中的有向图嵌入
本文提出了一种新的嵌入模型，用于表示有向图，并通过将模型应用于语言应用和生物领域中的一系列实际案例，旨在展示该模型的重构能力和预测链接的能力。使用低维度圆柱形闵可夫斯基和反德西时空比高维曲面黎曼流形表现更优。
- IJCAI基于排序的强化学习因果探索
本篇研究提出了一种新颖的基于强化学习 (RL) 的因果推断方法，通过将 RL 合并到基于排序的模式中，并通过一个编码器 - 解码器架构实现排序生成过程，并最终使用 RL 优化所提出的模型来处理生成的排序，以获得最终的因果图。在合成和真实数据 - MagNet：用于有向图的神经网络
本文提出了基于磁性 Laplacian 的 MagNet，一种适用于有向图的频谱图神经网络。我们将该网络应用于多种有向图节点分类和链接预测任务中，并表明 MagNet 在所有任务中表现良好，并且在大多数任务中其表现优于所有其他方法。MagN