- 图神经后门：基础、方法学、应用与未来发展方向
通过定义、总结与分类当前的 GNN 后门攻击和防御，应用场景的分析以及对 GNN 后门潜在研究方向的探索，本论文提供了对 GNN 后门的调查，并在图后门原理方面做出探索，为防御方提供见解并推动未来的安全研究。
- ATNPA: 图神经网络中过度平滑缓解的统一视图
在本研究中，我们提出了 ATNPA（增强、转化、归一化、传播和聚合），总结了图神经网络（GNN）过度平滑的缓解方法，包括三个主题和六个类别的方法，并详细审查了代表性方法，包括它们与 ATNPA 的关系以及其优劣势。这一综述不仅深入了解了该领 - NeuraChip: 使用基于哈希的解耦空间加速器加速 GNN 计算
NeuraChip 是一种基于 Gustavson 算法的新型 GNN 空间加速器，通过分离稀疏矩阵乘法中的乘法和加法计算，实现了数据依赖性的独立利用，减少了片上内存中数据闲置的问题，并通过动态再分配哈希映射实现了计算资源的负载平衡，从而在 - GTAGCN：广义拓扑适应图卷积网络
基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。
- 揭开图：图神经网络与图生成
综述了图神经网络 (GNNs) 的应用、图数据和深度学习的扩展，以及 GNNs 的高级领域：图生成。
- 一个基于人工智能的代理模型及其在新西兰麻疹爆发模拟中的应用
利用最新的人工智能技术和传统的基于代理的模型，该研究通过耦合图神经网络（GNN）和长短期记忆（LSTM）网络，开发了一种张量化且可微分的基于代理的模型，用于研究 2019 年发生在新西兰的麻疹爆发，展示了在重复发病期间准确模拟爆发动态的有希 - FALCON：特征 - 标签约束的图神经网络压缩方法用于内存高效的 GNNs
我们提出了一种拓扑感知的图减少技术 FALCON，它能保持特征 - 标签分布，并结合其他记忆减少方法（如小批量 GNN 和量化）进一步降低内存使用，通过与 SOTA 方法进行对比评估，我们广泛的结果表明 FALCON 能够在 GNN 模型上 - MaxK-GNN：加速图神经网络训练的理论速度极限
本文提出了 MaxK-GNN，一个高性能的 GPU 训练系统，通过集成算法和系统创新来实现。在 MaxK-GNN 系统的广泛评估中，实验结果显示其接近 Amdahl 法则的理论极限，相对于 DGL 和 GNNAdvisor 的实现，在 Re - 图上的强弱专家混合
通过混合弱和强专家的方式，使用基于多层感知器（MLP）的轻量级专家来处理节点的自我特征和领域的信息结构，其中根据弱专家预测的置信度来条件激活强专家，以实现节点分类的准确性提升。
- 图上的逐层训练自监督学习
图神经网络 (GNN) 的端对端训练在大型图上存在多个存储和计算上的挑战，通过自监督的方式，我们提出了逐层规则化图信息最大化算法以逐层训练 GNN，通过解耦特征传播和特征转换来学习节点表示，从而得出基于对未来输入预测的损失函数。我们在归纳大 - 基于 FPGA 的粒子轨迹跟踪的低延迟边缘分类 GNN
本文提出了一种基于 FPGA 的资源高效的 GNN 架构，用于低延迟的粒子轨迹重建，该架构在 Xilinx UltraScale + VU9P 上的结果表明，相比于 CPU 和 GPU，性能提高了 1625X 和 1574X。
- 技术报告：图神经网络进入语法领域
本文提出一种新的 GNN 设计策略，利用无上下文语法生成矩阵语言 MATLANG，从而确保 WL 表达能力，子结构计数能力和谱属性。根据该策略，设计了语法图神经网络 G$^2$N$^2$，证明了其在边级上计算长度为 6 的环并能够达到带通滤 - 基于元学习的时态知识图谱推理
本文介绍了一种基于元学习的时间知识图谱外推模型（MTKGE），该模型在已知时间知识图谱中进行链接预测任务的元训练，并在具有未知实体和关系的新兴时间知识图谱中进行测试。通过捕获关系的相对位置模式和时间序列模式的 GNN 框架，学习模式的嵌入可 - AAAI通过节点归因解释图神经网络中的不公正性
本文提出了一种新的策略 PDD，它可以衡量 GNN 中表现出的偏见，并开发了一种算法来有效地估计每个训练节点对此偏见的影响力。在真实世界的数据集上进行实验验证了 PDD 的有效性和影响力估计的有效性，并演示了如何使用该框架进行 GNN 去偏 - 通过学习的概念逻辑组合来实现 GNN 的全球可解释性
GLGExplainer 是一种全局解释器，它能够生成作为图形概念逻辑公式的本地解释的任意布尔组合，从而提供准确和人类可解释的全局解释，这使得 GLGExplainer 成为有前途的用于学习 GNN 的诊断工具。
- 图神经网络的提示调整
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。
- 针对图神经网络后门攻击的可解释性防御
本文提出了第一种基于图神经网络（GNN）的后门攻击检测和防御方法，通过评估模型的透明度和不透明度，识别恶意样本，并利用其可解释性确定最显著的子图，从而减少成功攻击率。
- SIGIR超图对比协作过滤
提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。
- CVPR可迁移的 GNN 自适应轨迹预测
提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。
- 邻域增强对比学习优化图协同过滤
本文提出一种名为邻域增强对比学习（Neighborhood-enriched Contrastive Learning，简称 NCL）的方法，将邻居嵌入到对比对中，以实现在图协同过滤方法中减少数据稀疏性的效果，并在五个公共数据集上进行广泛的