- TEG-DB: 文本 - 边缘图的综合数据集和基准
介绍了 Textual-Edge Graphs Datasets and Benchmark (TEG-DB) 项目，它是一个包含丰富文本描述在节点和边上的大规模文本边缘数据集，并通过广泛的基准实验证明当前技术，包括预训练语言模型、图神经网 - 几乎线性时间的差分隐私合成图释放
给定输入为具有 n 个顶点 m 条边的图 G，本论文提出了第一个时间复杂度为 O (m)、空间复杂度为 O (m) 的差分隐私算法，用于输出近似于 G 的所有切割和谱的顶点数为 n、边数为 O (m) 的合成图，同时实现了与非隐私设置相匹配 - 基于扩散的图网络负采样在链接预测中的应用
该研究探索了多层次负采样的新策略，通过潜空间产生具有灵活和可控的 “难度” 级别的负节点，从而实现了有效的图链接预测。实验证明了该方法的有效性。
- 文本数据流中漂移标签的时序分析：基于图的应用
通过图分析和文本数据流，本文分析了 2018 年至 2022 年期间 #mybodymychoice 标签的漂移现象，揭示了年度快照中的标签社群，并提供了关于研究中发现的一些标签的见解，显示出该标签在观点和情感模式上随时间的变化，尤其是在 - 3-(F) WL 是否足够区分所有的三维图形？
用图生成的角度探讨了 k-WL 在更复杂的三维图形中是否能够严格提高同构判别能力，以及是否存在能够判别所有三维图形的 k 值。
- ChatGraph: 与您的图形交谈
使用基于大型语言模型的 ChatGraph 框架，用户可以通过自然语言与图形进行交互，更加易于使用和灵活，通过理解用户的输入提示文本和图形，ChatGraph 生成图分析 API 链。
- 量化基于节点的核心韧性
该论文介绍了一种新的衡量图中节点核心韧性的方法，并提供了一种有效的启发式算法来计算该指标，以便在拓扑结构发生变化（如边的插入和删除）时快速评估节点的韧性和预测其可能的未来邻居。
- 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。
- WWW通过最大化速率减小实现几何图表示学习
提出了一种基于几何的无监督图表示学习方法（G2R），它将节点映射到不同的子空间中，并通过最大程度地减小速率来进行优化，并在各种基准测试中表现出优异的节点分类和社区检测任务性能。
- 探索半精度图卷积神经网络
本研究通过在 GPU 上使用 PyTorch 框架实现了一种基于 Tensor Cores 的降低精度操作，以提高图形卷积神经网络的计算和内存使用效率，结果表明这种方法可以在不降低性能的情况下有效减少内存使用量。
- vGraph: 一种联合社区检测和节点表征学习的生成模型
本文提出了一种基于概率生成模型的方法 vGraph，用于协同地学习社区成员和节点表示，旨在发现图的全局和局部结构；实验表明 vGraph 在社区检测和节点表征学习方面的性能优于多个竞争基线。
- 可扩展的 Gromov-Wasserstein 学习用于图分割和匹配
提出了一个可扩展的 Gromov-Wasserstein 学习（S-GWL）方法，用于大规模图分析，通过学习多个观察到的图的 Gromov-Wasserstein 重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取 - 图上深度学习：一份综述
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。
- edge2vec: 利用边缘语义进行生物医学知识发现的表征学习
本文提出了一种考虑边缘语义的图表示学习模型 edge2vec，通过训练边缘类型转换矩阵和使用随机梯度下降模型，基于异构图学习节点嵌入。在生物医学领域的三个任务中，edge2vec 在考虑边缘类型的情况下明显优于其他几种现有的模型，展示了不同 - 一种新的脑区分方法突出了结构和功能共享的模块骨架
运用理论图分析研究单独收集自健康人体的结构连接和静息状态功能连接数据集，旨在寻找结构和功能共享的主要特征，揭示了结构功能模块的存在，说明大脑结构和静息状态动力学之间的强相关性。
- MM时变图数据的多层异常检测
本文提出了一种新的图序列建模和分析框架，用于检测和上下文化标记、流图数据中的异常。该框架通过增加对社区结构的灵活性来推广 Seshadhri 等人的 BTER 模型，并利用该模型进行多尺度图形异常检测。具体来说，通过在更细的级别上聚合概率来 - GSPBOX: 基于图的信号处理工具箱
本文介绍了图信号处理工具箱（GSPBox），是一个可以用于处理具有信号处理方法的图形相关问题的框架，并通俗易懂的解释了该软件的结构和组织，内容还包含重要模块的概述
- FlashGraph: 在一组通用 SSD 上处理数十亿节点图
通过在用户空间 SSD 文件系统上实现图处理引擎，使用闪存硬盘并利用多核服务器的处理能力，FlashGraph 在半外部存储器中执行许多算法并表现出众，可表达各种图形算法及其优化。
- 海量社交图快速可扩展分析
本研究旨在探讨如何在当今大规模图形上开展可扩展性的图形处理，提出了一种新的图形坐标系统的设计空间，即通过将图嵌入到坐标空间的方式精确地近似节点距离，从而实现常数时间内的距离查询和最短路径查询，在 43 百万个节点的图中能提供更准确的结果，且 - 用于社交网络分析的 Facebook 爬取
我们通过大规模数据的收集和分析，评估了社交网络数据的替代方法，并对 Facebook 等热门网站进行了实际测试，在保证隐私的前提下，使用自适应的网络爬虫收集了数百万个连接，将数据构造成一张无向图。我们开发了一系列分析工具，用于分析社交网络图