- 循环变压器仿真图算法
我们研究了使用转换器网络在图上模拟算法的能力，并证明了该架构可以模拟 Dijkstra 最短路径算法、广度优先搜索、深度优先搜索和 Kosaraju 强连通分量算法，并展示了在有限精度下模拟的限制问题，最后证明了在额外的注意力头部利用时具有 - 从对抗攻击的角度解决图模型中的噪声和效率问题
本文提出了一种基于谱对抗鲁棒性评估方法的图算法，通过将噪点边缘视作对抗性攻击并识别出不易受其影响的鲁棒点，从而提高了图算法的精准性和计算效率。
- 条件熵的因果分层
从可观测数据中，通过条件熵预言的方式，我们提供了一种恢复图层次结构的方法，以离散分布为前提，并以删除图中源或汇的方法来验证算法的正确性和纠正性。
- 针对静态属性图的无监督异常节点检测基准测试 (BOND)
该研究提出利用 BOND 进行非监督异常节点检测的方法，对 14 个方法进行了性能评估，结果可以为未来研究提供借鉴。
- 如何将算法推理知识转移至学习新算法？
本文探讨了如何利用执行步骤信息，通过多任务学习将图算法的算法推理知识迁移到其他类似任务上，解决缺乏执行步骤信息时的推理问题。研究包括了包括宽度优先搜索和 Bellman-Ford 等并行算法，以及 Prim 和 Dijkstra 等流贪心算 - EMNLP多并行词对齐的图算法
本研究提出了两种基于图的算法，利用跨语言数据集的多对多对齐策略来提高双语词对齐的效率。在多个数据集上的实验结果显示，在 F1 得分上的绝对改进率高达 28%。
- AAAICrossWalk: 公正增强的节点表示学习
本文提出了一种名为 CrossWalk 的方法，通过加权和偏置随机游走，使得节点嵌入更加公平，并且能够适用于任何基于随机游走的节点表示学习算法，以增强不同图算法的公平性。
- APAN：用于实时时态图嵌入的异步传播注意力网络
提出了一种异步连续时间动态图算法：Asynchronous Propagation Attention Network，能够解决传统图模型中速度慢的查询 k - 跳邻居的问题，同时将模型推理步骤从图计算步骤中分离出来，以实现更快速的实时图嵌 - 利用深度学习技术进行最短路径距离近似计算
本文提出使用深度学习中的向量嵌入来近似计算大型网络的最短路径距离，结果表明，使用向量嵌入的前馈神经网络可以比较低的失真误差实现距离计算。该方法在 Facebook、BlogCatalog、Youtube 和 Flickr 等社交网络上进行了 - 稀疏图的最优代数广度优先搜索
我们给出了一种基于代数方法的新的最佳优化 BFS 算法，使用渐进的小子矩阵乘法还原了图的结构，对于稀疏图性能与最优算法保持一致，并且在 PRAM 上是工作最优的。
- 图算法的平均灵敏度
对图算法的平均敏感度进行系统研究，并提供了具有低平均敏感度的近似算法，其中主要应用了局部计算算法和已知次线性时间算法的分析方法。
- MAG: 多语言、知识库无关且确定性实体链接方法
提出了一种新的、多语言的、基于知识的、不可知的和确定性的实体链接方法，称为 MAG，它是基于结构化知识库和图形算法的上下文检索的组合。通过在 23 个数据集和 7 种语言上评估 MAG，证明其在英语数据集上获得了最先进的性能，并在其他语言上 - 基于 SDP 的线性大小谱稀疏化算法
本篇研究将提出一种计算效率更高的算法来构建图的 $(1 + ϵ)$- 频谱稀疏子图，该算法基于三种新技术，并使用新的潜力函数，通过半定规划求解构造单侧频谱稀疏子图。
- 局部偏置图算法的优化方法
本文综述了最近几年来几个研究社区对局部偏差图算法的发展和应用，以及这些算法和算法论和统计理论的相互关系。
- SNAP: 一款通用的网络分析和图挖掘库
描述了使用 Stanford Network Analysis Platform (SNAP) 分析和操作大型网络的工具，给出 SNAP 功能和处理大型图形的性能基准，并提供了一个包含社交网络和信息实体网络等的数据集。
- 随机矩阵逼近方案的误差界
本文研究了在多种范数下，通过稀疏随机矩阵 X 逼近实数矩阵 A 的问题，其中包括了图算法中更适用的 $(\infty,1)$ 范数和 $(\infty,2)$ 范数。文章提出的界限适用于大多数随机稀疏化模式，证明了 $(\infty,1)$