- 重新审视初始化再精炼：一种不完整和缺失图形填充网络
本文提出了一种基于 RITR（Revisiting Initializing Then Refining）的无监督方法，能同时填补属性不完整和属性缺失的图数据，并在四个数据集上取得了 state-of-the-art 的表现。
- 流式异常检测
该论文提出了多种在线算法用于发现动态图和多方面数据流中的异常行为，并探讨了使用记忆模块的自动编码器来处理概念漂移的有效性。
- HAT-GAE：具有分层自适应掩模和可训练破坏的自监督图自编码器
本文研究了自监督自编码器在图数据中的表现问题，并提出一种新的自编码器模型用于图形表示学习，该模型包括分层自适应掩蔽机制和可训练的破坏机制，通过在十个基准数据集上的广泛实验，证明了所提出方法相对于现有的图表征学习模型其卓越性。
- AAAI对抗性权重扰动提高图神经网络的泛化性能
该论文研究了 Adversarial Weight Perturbation 在图形数据上的应用及其与局部最小值和泛化之间的联系。结果表明，通过该方法正则化图神经网络能够提高自然和鲁棒泛化能力。
- 半监督学习与 GAN 在不平衡数据集中的伪造检测
本研究使用自动编码器和半监督学习与 GAN 算法的组合（SGAN），并将其作为分类器，仅使用 100 个标记样本即可将精度提高达 91％，以检测虚假账户，适用于社交媒体的大规模数据。
- BeGIN: 图连续学习的广泛基准场景和易于使用的框架
本文介绍了一种针对图数据的持续学习方法，提供了标准的增量设置和基准测试场景，并使用 BeGin 框架对七种图像 CL 方法进行评估，其组合情况是最新基准测试的三倍。
- 大规模几何学习的内在维度
本文提出了确定内在维度函数的计算方法，通过将数学测量集中现象公理地与内在维度联系起来，我们证明了其计算的可行性，并在模型中体现了复杂数据的几何特性，特别地，我们提出了一种将邻域信息纳入内在维度的主要方式，使得对常见图学习过程的新洞察成为可能 - 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。
- 针对图神经网络后门攻击的可解释性防御
本文提出了第一种基于图神经网络（GNN）的后门攻击检测和防御方法，通过评估模型的透明度和不透明度，识别恶意样本，并利用其可解释性确定最显著的子图，从而减少成功攻击率。
- AAAI从常规数据到图形的下采样泛化
本文提出了一种新的图形粗化机制，它是正规数据可控等间距粗化机制的图形结构对应物，在保留拓扑结构的同时有多分辨率调节的能力，并通过理论和实验证明了它在图分类任务中的优越性。
- KDDFederatedScope-GNN：面向联邦图学习的统一、全面和高效程序包
该研究提出了一个易于使用的 FGL 软件包 FS-G，提供模块化和表达 FGL 算法的统一视图，包括数据集库、模型库、模型自动调整和隐私攻击以及防御功能，广泛实验验证了其有效性和实用性。
- WWW曲率图生成对抗网络
本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本 - G-Mixup：图形分类的图数据增强
本研究开发了一种适用于图数据的 Mixup 方法，通过插值不同类别图的生成器以获得混合图，从而提高了图神经网络的泛化能力和鲁棒性。
- 学习因果不变表示以实现图上的跨分布泛化
该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证 OOD 泛化性能。
- 使用图对抗公平性学习公平节点表示
本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比 - 针对图形异常检测的生成式和对比式自监督学习
本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。
- 关于使用对抗训练进行图自编码器泛化的研究
通过在图嵌入方法中使用 L2 和 L1 两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。
- IJCAI在图形学习中利用脉冲动态与空时特征规范化
本研究提出了一个基于神经脉冲的建模框架，使得 SNN 网络可以直接应用于处理图形数据。通过空时展开的神经脉冲数据流，我们将图形卷积滤波器与神经脉冲动力学相结合，并提出了一种适用于 SNN 的空时特征归一化技术 (STFN)，并将其实例化为两 - 从规范相关分析到自监督图神经网络
本文介绍了一种用于自监督图数据表示学习的概念简单而有效的模型，其通过数据增强生成输入图的两个视图，并通过受经典标准相关分析启发的创新特征级目标进行优化，旨在学习不变表示，并通过不同维度中的相关特性来防止退化解决方案，最终在七个公共图数据集上 - 图上自监督学习：对比、生成或预测
本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。