- 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。
- 图神经网络增强的拓扑正则化
本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。
- MM图形遗忘
本文提出了一种专门针对图数据的新型机器取消学习框架 GraphEraser，包括两种新颖的图分区算法和一种基于学习的聚合方法。研究表明，与 SISA 相比，GraphEraser 在取消学习效率和模型效用方面都具有较大优势。
- KDDOGB-LSC：基于图形的机器学习的大规模挑战
介绍 OGB Large-Scale Challenge (OGB-LSC) 数据集，提供了链接预测、图回归和节点分类等三个核心图学习任务的基线实验，并展示了表达性图机器学习模型的巨大优势和当前大规模图机器学习的最佳实践。该数据集已经在 A - 图像自监督学习：综述
本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。
- EMNLPDyERNIE: Riemann 流形嵌入的动态演化，用于时间知识图谱补全
Dy-ERNIE proposes a non-Euclidean embedding approach that learns evolving entity representations on a product of Riemann - 基于拓扑感知的图池化网络
本文提出了一种有意识地考虑图形拓扑结构的拓扑感知池化层（TAP）方法，通过局部选票和全局选票两个阶段的投票过程来选择更重要的节点，在保证采样图的更好图连接性的条件下，合并本地和全局投票分数，从而提高图分类任务的效果。
- 利用 GPU 加速图机器学习中的图采样
该论文介绍了一个名为 NextDoor 的系统，该系统使用称为 transit-parallelism 的新方法，在 GPU 上高效执行图形采样，并比现有系统运行得更快，该系统提供给终端用户撰写各种图形采样算法的高级抽象。
- IJCAI社区发现的深度学习：进展、挑战和机遇
本文介绍了社区检测在科学研究和数据分析中的重要性， 分析了经典社区检测方法的局限性，探讨了基于深度学习的三个研究方向 —— 深度神经网络、深度图嵌入和图神经网络，总结了不同框架、模型和算法的进展和挑战，并探讨了未来研究机遇。
- 基于结构特征的图自适应池化
我们提出了一种新颖的自适应图池化方法，它通过同时考虑图的结构和特征信息来构建合理的池化图拓扑，从而提高节点选择的准确性和客观性；并在丢弃无关节点之前聚合节点特征信息，以使选定的节点包含来自邻居节点的信息，从而增强未被选定节点的特征利用。实验 - 半监督分类的图推理学习
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系 - 图形深度学习简介
本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。
- 半隐式图变分自编码器
该论文提出了一种名为 Semi-implicit graph variational auto-encoder（SIG-VAE）的模型，采用分层变分框架，建立了一种更灵活的生成图模型，用于更好地捕捉现实世界的图形属性，并能够准确建模给定图形 - ICLRIsoNN: 图表示学习与分类的同构神经网络
本文提出了一种名为同构神经网络（IsoNN）的新型模型，通过提取输入图与模板之间的图匹配同构特征来学习图表示，以消除节点顺序约束，并在广泛的基准数据集上进行了实验证明其在图分类任务中的有效性。
- KDD基于硬核及通道注意力网络的图像表征学习
本篇论文提出了两种新的图形卷积神经网络中的图形注意力算子，hGAO 和 cGAO，它们分别使用了硬注意力机制和沿通道执行的注意力操作，以提高计算性能和准确性，并在节点和图嵌入任务上取得了显著的改进。
- 图嵌入的组合公平约束
通过引入敌对框架在图嵌入中实施公平约束来提高节点嵌入的质量，可以灵活地容纳不同公平约束的组合。
- ICML图 U-Net
本文提出了面向图形数据的表示学习的新方法，包括 gPooling 和 gUnpooling，并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets，实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。
- ICLR不变和等变图网络
本文提供了对（超）图数据的所有置换不变和等变线性层的表征，并展示了它们的维度，并计算出这些层的正交基，包括对多图数据的推广。同时，在简单的深度神经网络框架中应用这些新的线性层，可以获得比之前的不变性和等变性基础更好的表现，并且可以实现任何消 - 基于几何散射的图数据分析
本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和 - 多维图卷积网络
本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。