- 图神经网络中本地同质水平的性能差异
理论和实证研究表明，图神经网络可能过度依赖于用于训练的全局同质性，需要设计出更适应大范围局部同质性的图神经网络。
- 使用线性化随机生成树快速有效地训练图神经网络
提出一种新的有效且可扩展的框架，用于在给定图形结构数据的监督节点分类任务中训练 GNNs。该方法通过在从输入网络提取的随机生成树线性化的一系列路径图上越来越细化的权重更新操作进行。在此过程中，路径图旨在保留原始图的基本拓扑和节点信息。同时， - 重正化图神经网络
该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。
- 精益求精：大规模动态图的无监督图剪枝
本研究探讨了基于自监督时间修剪框架的无监督动态图修剪问题，旨在删减冗余边降低时间与空间负担，并在真实数据集上验证了该方法对于提高动态节点分类任务中 GNN 的效率、鲁棒性和效果的优越性。
- 利用标签技巧在多节点任务中提高图神经网络的性能
本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中 - ICLRDAG Matters! GFlowNets 增强图神经网络的解释器
本研究提出了一种基于 GFlowNets 的 GNN Explainer（GFlowExplainer）方法，通过生成结构而非组合优化的方法来生成子图，加快对 GNN 预测结果的解释，并在综合性实验中证明了其优越性。
- 联合边模型稀疏学习对于图神经网络的可证明效率
本文从样本复杂度和收敛速率的角度，首次提供了从联合边缘 - 模型稀疏学习的理论特性，证明了重要节点抽样和低幅度神经元剪枝可以减少样本复杂度，提高收敛速度，而不影响测试精度。
- 有效高效采样图神经网络的分层估计
本文提出一种名为 HE-SGNN 的 GNN 模型，它使用两级嵌套的估计器来减少采样方差，并且使用不同的估计器来应对不同的采样方法。实验结果表明，该模型的效果和效率都很高。
- AAAI基于原型的模型级解释：图神经网络
本研究提出一种原型图解释方法（PAGE），通过发现人类可解释的原型图来解释 GNN 模型在图分类中所学到的内容，从而提供比基于实例的解释更为简洁和全面的解释，PAGE 表现比基于模型的其他解释方法更为优秀，具有稳健性和计算效率。
- ICLR使用 MLP 初始化的 GNN 训练加速
基于多层感知器的对等 MLP 的初始化方法在大型图数据上训练图神经网络方面取得了显著的加速和性能提升。
- 反推攻击图神经网络模型
该论文对 GNNs 进行了系统研究，提出了 GraphMI 方法用于推断私有训练数据中的离散边缘，建议更有效的隐私防御措施。
- 通过缓解低伸展和过度压缩来缓解图拓扑不平衡的位置感知结构学习
本文提出了一种新的全局视角的监督信息分布量度 --- 欠拟合和过拟合，并以此为基础提出了 PASTEL 框架。此框架通过加强同一类别节点间的连接以增加监督信息，解决了局部拓扑位置不平衡的问题，能够在不同的数据标注场景下提升 GNNs 的性能 - 重新思考图神经网络在图染色问题中的应用
本研究分析了现有图嵌入神经网络（GNN）在图着色问题中的表现差异主要是由于其无法应对节点异质性以及其局部性；通过研究聚集 - 合并 GNN（AC-GNN）的性能以及其基于局部搜索的特性，我们得出了一系列在实践中使 GNN 在图着色问题中更具 - KDD用于提高效率和可扩展性的 GNN 转换框架
提出一种框架，可自动将不可扩展的 GNNs 转化为基于预计算的 GNNs，从而实现大规模图形的高效可扩展性，通过对大规模图形的广泛实验，我们证明了转换后的 GNNs 在训练时间上比现有的 GNNs 更快，同时达到了与现有 GNNs 的竞争准 - 通过接受域分布匹配的图卷积层压缩
本研究提出了 “通过感受野分布匹配的图压缩” 算法，通过优化生成的小图形，使其具有与原图相似的感受野分布，从而在保持准确性的同时减小输入大小，并通过使用最大均值差异来量化其分布匹配损失，实现了高度通用性的生成图，并显著提高了压缩速度。
- 图注意力多层感知机
本文提出了一种新的图神经网络架构 - 图注意力多层感知器（GAMLP），并在多个真实世界数据集和大规模工业数据集上进行了评估，证明了 GAMLP 在扩展性和效率方面具有最先进的性能。
- 通用深度图神经网络：从路径分解的角度重新思考图神经网络中的残差连接以防止过度平滑
本论文从路径分解的角度研究 GNNs 中残差连接的前向和后向传播行为，发现由残差连接路径的二项式分布递归聚合的中位数长度路径控制输出表示，导致 GNNs 深度加深时的过度平滑。基于这些发现，作者提出了一种带有冷启动自适应残差连接和前馈模块的 - 物理资讯神经网络与图形网络的可扩展算法
本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。
- AAAI图排序注意力网络
本文介绍了一种信息理论框架和基于注意力机制的 Graph Ordering Attention (GOAT) 层的思路，用于改善图神经网络 (GNNs) 在建模图结构数据时的精度和性能。在真实的节点分类测试中，GOAT 层表现出显著的改进和 - 谁应该审查你的提案？研究提案的跨学科主题路径检测
本研究旨在利用层次化交叉科学研究提案分类网络以及图神经网络，生成自动化的跨学科研究领域分类标签。在三个真实数据集上进行广泛实验并进行专家评估，结果表明所提出的模型非常有效。