- 关于激活规则的 GNN 可解释性研究
GNNs 利用节点表示学习构建的强大模型在与图相关的许多机器学习问题中表现出色，但其部署的主要障碍在于社会可接受性和可信度问题，我们提出了通过挖掘隐藏层的激活规则来理解 GNN 对世界的感知，以解决这一问题，并介绍了主观激活模式领域。通过信 - 通过解耦表示学习增强图神经网络中的大小概括能力
提出了一种名为 DISGEN 的图神经网络 (GNN) 的模型非特定框架，旨在从图表示中消除大小信息，提高 GNN 的大小泛化能力，实证结果表明 DISGEN 在真实世界数据集上优于现有的模型。
- SpanGNN: 基于生成子图训练的高效记忆图神经网络
提出一种新的记忆高效的 GNN 训练方法，使用作为跨度子图的 SpanGNN，通过选择高质量边和利用两种类型的边采样策略，解决了传统 GNN 训练中的内存和模型准确性问题。
- FlexiDrop：GNN 中随机 Dropout 方法的理论洞见和实际进展
基于图神经网络（GNN）的随机抛弃法的泛化误差优化方法 FlexiDrop 在实验中表现出比传统随机抛弃方法更好的性能。
- 网络封锁的神经方法
通过将网络干扰问题表示为混合整数线性规划（MILP）实例，然后应用具有充分表征能力的多部分 GNN 来学习这些公式，我们的方法在两个不同任务中表现出优于理论基准模型和传统精确解算器的性能优势。
- 关联性提升：通过图间关系推进图神经网络
通过引入 Relating-Up 模块，利用图之间的关系，增强了 Graph Neural Networks 的表达能力，使其能够更准确地包含更广泛的图关系，并且在 16 个基准数据集上的评估表明，将 Relating-Up 集成到 GNN - IntraMix：精确标签和邻居的类内混合生成
IntraMix 是一种针对图神经网络（GNNs）的通用框架，通过在同一类别的低质量标记数据之间应用 Mixup 生成高质量标记数据的方法，同时通过与同一类别高置信度数据连接生成的数据来建立邻居，从而解决了 GNNs 面临的两个挑战，挑战了 - 算法推理方面的 ChatGPT 基准测试
ChatGPT 在 CLRS 基准套件中评估其解决算法问题的能力，结果表明 ChatGPT 能够使用 Python 优于专用的 GNN 模型成功解决这些问题，为关于使用神经网络学习算法的讨论提出了新的观点。
- GeoT: 基于 GPU 上高效分段约简的图神经网络张量中心库
GeoT 是一个切实针对 GNN 的创新张量中心库，通过高效的段缩减算法，引入新的设计原则，扩展了可用的设计空间，并在计算图内实现简易融合，确保与现代张量中心机器学习框架和编译器的兼容性。通过取得 1.80 倍的平均运算符加速和 1.68 - 网络选举策动：面向社区动态多步对抗攻击
网络操控、社区广告宣传、梯度攻击、GNN 和对抗性社区广告宣传是该研究的关键词汇。
- 高效部分重新训练的图解除
通过图属性感知数据切分和图对比子模型聚合，本文提出了一种新颖的图去学习框架 GraphRevoker，以更好地保持不可学习的 GNN 模型的模型效用。
- OpenGraph：走向开放图形基础模型
我们开发了一个通用的图基础模型，通过理解不同基于图的数据中的复杂拓扑模式，使其在不同下游数据集上出色地完成零样本图学习任务。
- 在实际的内存处理系统上加速图神经网络
图神经网络（GNNs）是分析图结构数据的新兴机器学习模型。本研究提出了一个高效的 ML 框架 PyGim，通过在实际的 PIM 系统中加速 GNNs，解决了 GNNs 中内存密集型核心所面临的数据移动瓶颈。通过提供混合 GNN 执行，我们证 - GRAPHGINI：在图神经网络中促进个体和群体的公平性
我们提出了 GRAPHGINI 方法，通过 GNN 框架中可学习的注意分数来实现个体公平，并通过基于启发式的最大纳什社会福利约束保证最大可能的群体公平，该方法在实验中显示出在维持效用和群体平等的情况下，在个体公平方面相比其他最先进的方法有显 - 自主引导的鲁棒图结构优化
在本文中，我们提出了一种自导向的图结构加强 (GSR) 框架 (SG-GSR)，该框架利用给定的受攻击图中发现的一个干净的子图。此外，为了应对干净子图提取中的两个技术挑战，即结构信息的丢失和不平衡节点度分布，我们提出了一种新颖的图扩充和群体 - 节点分类的低秩图对比学习
我们提出了一种新颖而稳健的图神经网络编码器，低秩图对比学习（LR-GCL），并通过低秩正则化方法进行原型对比学习训练，然后使用 LR-GCL 生成的特征进行线性传导分类算法来对图中的未标记节点进行分类。我们的方法受到图数据和标签的低频属性以 - GraphViz2Vec：提升 GNNs 分类效果的结构感知特征生成模型
本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。
- 使用 Pfaffian 激活函数的图神经网络的 VC 维度
本文提出了一种拓展通用图神经网络（GNNs）的 VC 维度分析方法，研究了 GNNs 中常用的激活函数，如 sigmoid 和双曲正切函数，通过 Pfaffian 函数理论框架给出了与架构参数和 1-WL 测试结果相关的界限，理论分析得到了 - 无穷时域图滤波器：利用幂级数增强稀疏信息聚合
提出了一种名为图力滤波神经网络（GPFN）的新方法，通过使用幂级数图滤波器来增强节点分类性能。GPFN 设计了一种新的建立图滤波器的方式，并论证了其能够集成任何幂级数并捕捉长程依赖关系，实验结果表明 GPFN 优于现有基准模型。
- 模型窃取攻击对图分类的真实性、不确定性和多样性
最近的研究表明，GNN 对于模型盗取攻击是脆弱的，而这种攻击是通过查询许可来复制目标模型的阴险行为。然而，这些研究主要关注节点分类任务，忽视了在图分类任务领域所带来的潜在威胁。此外，它们的可行性令人质疑，因为涉及了大量的数据需求和广泛的模型