- 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 - 图计算加速器的实现
图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实 - AAAI图上的广义神经扩散框架
提出了一个带有准确性项的一般扩散方程框架，从而形式化地建立了扩散过程与更多图卷积网络之间的关系，并通过实验证明了高阶邻居标签之间的相似性特征，推动了新型图扩散网络（HiD-Net）的设计。
- HC-Ref: 针对图神经网络的稳健对抗训练的分层约束优化
近期的研究表明，通过恶意修改图结构或节点特征，攻击者可以严重降低 GNN 的性能。对抗性训练被证明是计算机视觉中最有效的对抗攻击防御机制之一，对于增强 GNN 的稳健性具有巨大潜力。本文提出了一种基于鲁棒对抗训练的分层约束优化框架（HC-R - 使用残差连接和加权消息传递推广 GNNs
本研究论文讨论了使用图神经网络（GNNs）进行学习和预测任务的关键，包括如何通过修改信息传递机制来提高学习和加快收敛。
- NeutronOrch: 在 CPU-GPU 异构环境下重新思考基于样本的 GNN 训练
提出了 NeutronOrch，这是一个用于基于样本的 GNN 训练的系统，它采用基于层的任务编排方法，实现了 CPU 和 GPU 的平衡利用，具有 4.61 倍的性能加速。
- DyExplainer：可解释的动态图神经网络
使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。
- Mirage：模型无关的图形蒸馏方法用于图形分类
Mirage 是一种用于图分类的无监督和架构无关的蒸馏算法，通过压缩计算数据本身，而不是在原始训练集上模拟梯度流，来提高泛化准确性、数据压缩和蒸馏效率。
- GNNX-BENCH: 透过深入的基准测试揭示基于扰动的 GNN 解释器的实用性
该论文主要研究了解释性方法对图神经网络的作用，通过对扰动解释性方法进行评估和比较，发现某些方法在噪声存在时表现出较高的效果和稳定性，同时发现当前的反事实解释方法在特定领域的拓扑约束下存在可行性问题。该研究全面了解了图神经网络领域中最先进的解 - 图神经网络中的信息流：临床分诊案例
在本文中，我们调查了图神经网络中嵌入信息的流向如何影响知识图谱中链接的预测，并提出了一个将领域知识融入到图神经网络连接性中的数学模型。我们的结果表明，将领域知识融入到图神经网络连接性中比使用相同连接性或允许无限制的嵌入传播能够取得更好的性能 - Transformer 和 GNN 能互助吗？
在这篇论文中，我们提出了一种名为 TransGNN 的新模型，其中 Transformer 层和 GNN 层交替使用以相互改进。我们利用 Transformer 来聚合更相关的节点信息以改善 GNNs 的消息传递，并利用位置编码和 GNN - 缓存操作重排：快速 GNN 训练的统一视角
图神经网络（GNNs）在处理结构化图形数据和解决节点分类、图分类以及聚类等任务方面是一个强大的工具。本研究通过提供 GNN 计算、输入输出和内存的统一视角，分析了图卷积网络（GCN）和图注意力（GAT）层的计算图，提出了替代的计算策略和自适 - 图神经网络中的差异、不平等和准确性权衡：节点分类
图神经网络（GNNs）在预测属性图中节点标签的关键人类应用中越来越常见。然而，GNNs 聚合邻居节点的特征以提高分类准确性的能力也可能加剧数据中现有的偏见或向保护性人口群体引入新的偏见。因此，必须量化 GNNs 的偏见程度以及减轻其有害效应 - MUSE: 异质图的多视图对比学习
我们提出了一种用于异质图的多视角对比学习模型 MUSE，通过使用增强的 GNNs 构建两个视图来捕获离心节点及其邻域的信息，并融合这两个视图的信息进行节点表示，通过融合对比增强效果，使用信息融合控制器建模本地和全局节点 - 邻域相似度的多样 - ADR-GNN：对流 - 扩散 - 反应图神经网络
本文提出了一种基于对流 - 扩散 - 反应系统的新型图神经网络 (ADR-GNN)，在实际节点分类和时空数据集上的评估表明，ADR-GNN 在性能上改进或与最先进的网络具有竞争性。
- BatchGNN：在非常大的图上高效的基于 CPU 的分布式 GNN 训练
BatchGNN 是一个分布式 CPU 系统，可用于高效地在千兆字节级别的图形上训练图神经网络，通过在一个通信中绑定多个子图采样和特征提取以减少冗余特征提取、提供整合图分割和本地 GNN 层实现来提高运行时间，可以缓存聚合输入特征以进一步减 - 用图神经随机微分方程学习布朗运动动力学
本文提出了一种结合随机微分方程和图神经网络的框架 (BROGNET), 用于直接从轨迹学习布朗运动，并在多个系统上进行了实验验证，证明了其在学习动力学方面的优越性和对不同尺度和温度的泛化能力.
- 异质性下的自监督学习和图分类
本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。
- 在有向或无向图中为什么使用聚合特征或邻接列表？实证研究和简单分类方法
本研究中，我们提出了一种可以在有向和无向图中利用不同结点表示变体组合的分类方法 A2DUG，其可以在多个数据集中稳定表现，且在某些数据集中远远优于现有技术。
- 简单流形消息传递用于化学性质预测
该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法，其中包括用于量子化学性质预测的深度学习体系结构，并比传统的 MPNN 表现更好。