- ICML社区不变的图形对比学习
图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。
- 推荐系统的图增强
提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 Graph - 多尺度子图对比学习
通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。
- 增强实际复杂网络表示的超边扩充
通过构建虚拟超边并提取相应信息以增强图神经网络（GNN）在下游任务中的性能，Hyperedge Augmentation（HyperAug）方法能够显著超越 GNN 基线和其他图增强方法，在各种实际应用背景下，有效地将高阶节点关系整合到图增 - 带有连通子图感知的图形对比学习
提出了一种名为 CTAug 的新的统一框架，将图的同质子图概念整合进不同的图对比学习机制中，以提高图的表示学习性能。实验证明，CTAug 在图表示学习方面具有领先的性能，特别是对于度较高的图。
- GDM：有限监督下的图分类的双重混合技术
本文提出了一种新颖的基于混合的图形增强方法，称为图形双重混合（GDM），利用图形实例的功能和结构信息生成新的标记图形样本，以增加有限可用标记图形样本的大小和多样性，并通过两种新颖的平衡图形采样方法增强生成图形样本的平衡难度和多样性。在基准数 - 图形自对比表示学习
本文提出了一种名为 GraphSC 的新型图自我对比框架，它使用图自身通过图增强函数生成正负样本，并使用 Hilbert-Schmidt 独立准则对表示进行分解并引入掩蔽自我对比机制以更好地区分正负样本，同时通过显式减小锚点和正样本之间的绝 - 重温图对比学习在异常检测中的应用
本文提出了基于对比学习的图神经网络异常检测方法 MAG，强调了多 GNN 模块与图扩展模块在提高检测性能中的作用，并通过两个变种 L-MAG 和 M-MAG 在 Cora 和 Pubmed 数据集上证明了其有效性。
- KDD通过图增强改进知识图谱实体对齐
本篇论文提出了一种基于图增强的新颖实体对齐方法 GAEA，结合实体 - 关系编码器和图扩充的方法来消除 KG 的结构异质性，进一步提高模型的对齐效果。
- AAAI通过多尺度对比学习网络和增强视图进行图形异常检测
本文提出了一种多视图、多尺度对比学习框架，采用子图 - 子图对比提高子图嵌入的鲁棒性，并通过图增强方法提高检测性能。实验结果表明，该方法在图异常检测任务中具有优越性。
- 图增强聚类网络
该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。
- KDDCOSTA: 基于协方差保持的图对比学习特征增强
本文提出了一种基于 COvariance-preServing feaTure space Augmentation (COSTA) 的图对比学习 (Graph Contrastive Learning) 方法，通过在隐藏特征层面上进行特征 - 通过多视角增强提高子图表征学习
本研究提出一种新颖的多视角扩充机制，以改进基于子图表征学习模型的训练效果和下游预测任务的准确性，在多个真实世界的生物和生理数据集上的基准实验表明，该扩充技术相较于现有的图神经网络表征学习研究具有更好的训练效率、可扩展性和准确度。
- SoftEdge：使用随机软边对图分类进行正则化
通过在给定图的一部分边缘分配随机权值的方式生成合成图，SoftEdge 方法可以缓解对原始图的语义更改，从而提高了图神经网络（GNN）的学习精确度和深度鲁棒性。
- WWW无模型增强的图分类准确性提升
本研究提出了两种模型无关的图形数据增强方法 NodeSam 和 SubMix，以优化图形分类任务的性能。我们实验结果表明 NodeSam 和 SubMix 在社交网络和分子图中的表现优于现有方法。
- 学习图形增强以学习图形表示
LG2AR 是一个自动图形增强框架，包括学习增强分布的概率策略和学习增强参数分布的概率增强头。 研究表明， LG2AR 在 20 个图形级别和节点级别基准测试中，以线性和半监督评估协议为比较的无监督模型中，有 18 个基准测试达到了最先进的 - AAAI图形移植：节点显著性引导的图形混合和局部结构保护
本文提出了一种名为 Graph Transplant 的 Mixup 类图形增广方法，该方法在数据空间中混合不规则图形以解决不规则图形的数据增广难题，并显著提升了图形分类的性能和模型校准。