- 基于图核的子图同构计数方法研究
利用表示学习技术，我们研究了图内同构数量计算问题并探索了图核心技术在此问题中的潜力，通过综合分析，我们提升了图核心算法的效果，并展示了广泛实验的结果。
- WWW带有改进随机游走核的描述性卷积网络
该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 - 排斥随机游走
我们提出了一种新颖的准蒙特卡罗机制 —— 排斥随机游走，该机制通过在一个交互集合的轨迹之间引入相关性，使它们的边际转移概率保持不变，从而能够更有效地探索图形，提高统计估计的集中度，同时保持其无偏性。我们展示了排斥随机游走在一系列设置中的有效 - 通用图随机特征
我们提出了一种新的准蒙特卡洛机制，用于改进基于图的采样，称为斥力随机游走。通过在相互作用的集合中引入轨迹之间的相关性，使其边际转移概率不变，我们能够更高效地探索图，并提高统计估计量的集中度，同时保持其无偏性。该机制具有简单易用的实现方法。我 - ICML大规模图的快速在线节点标记
该研究提出一种基于在线松弛技术的 FastONL 算法，使用广义本地推方法有效逼近逆矩阵列，并针对一系列流行核提出近似算法，本文还证明了合适参数化图核被选中时可以实现有效的后悔，具体表现为 O (k 根号 (n^(1+γ)))。
- 基于伪标签引导的互信息最大化网络的深度图聚类
本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。
- 基于 Weisfeiler-Lehman 子树的 $L_1$- 近似树编辑距离的 Wasserstein 图距离
本文首次阐明了 Weisfeiler-Lehman 测试仅考虑了图一致性因而弱化了结构信息描述能力的事实，并定义了一种叫做 Wasserstein WL subtree (WWLS) 距离的度量。通过引入 WL 子树作为节点附近的结构信息并 - ICML增强虚拟节点在图结构学习中的作用
本文介绍了一种在图形学习中添加虚拟节点的方法，证明此方法可帮助构建有效的同形边到顶点转换和一个保持全局和局部结构的更好的图表示学习，实验证明将具有虚拟节点的图形作为输入可显著提升图形结构学习。
- 基于多尺度图嵌入的图核
本文提出了一种新型图核心方法，称为多尺度路径结构图核心方法（MPG），它考虑了子结构的分布和不同尺度的图结构，并使用 Wasserstein 距离计算相似度，实验结果表明其性能超越了现有方法。
- KerGNNs: 基于图核的可解释图神经网络
本文提出了一种新的 GNN 框架，称为 “核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为 KerGNN 的特殊情况，该方法在多个图相关 - 通过匿名行走图核函数理论上提升图神经网络性能
本文提出基于匿名行走和图核映射的 GSKN 图神经网络模型，理论证明其在区分图结构方面有更强的能力，并在实验证明了其胜过多个基线模型。
- WWW使用优化框架解释和统一图神经网络
本文旨在建立不同传播机制之间的联合优化框架，总结了几种最具代表性的图神经网络，并提供了新的设计灵活性。本文还提出了两个考虑可调节图内核的新型目标函数，分别表现出低通或高通滤波能力，并提供了所提模型的收敛性证明和表达能力比较。
- 图内核：现状与未来挑战
该论文综述了现有的图内核方法，包括其应用、软件和数据资源，以及现阶段最先进的图内核进行的实证比较，以解决图形相似度评估问题，进而在分类和回归模型中进行预测。
- WWW基于扩散模式的 Twitter 谣言真实度判定
本文探究通过信息传播模式判断未经证实谣言真伪的有效性，并使用图形核从 Twitter 级联结构中提取复杂的拓扑信息，训练出具有高准确性的预测模型。结果表明，团体的共享模式可以揭示谣言的真相或虚假性，即使在谣言传播的早期阶段。
- KDD使用随机特征的可扩展全局对齐图内核：从节点嵌入到图嵌入
本文提出了一种新的全局对齐图核算法，该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输，得到的图嵌入称为 “随机图嵌入（RGE）”，可以通过定义在随机图上的分布自然地产生随机特征近似，实验结果表明 R - 图上离散和连续的深度残差学习
本文提出了在图神经网络中使用连续残差模块来进行图核函数计算的方法，结合普通微分方程（ODE）求解器来应用连续残差层产生输出，并通过实验表明相较于非残差模块，这些残差模块在多层图卷积网络中能够取得更好的结果，并减轻低通滤波效应。最后，我们还探 - 用于分类传播过程的时态图核
本文提出了一种将标准图内核应用于时间领域的框架，包括三种不同的方法，并探讨了时间信息损失和效率之间的平衡，通过实际应用于真实世界的社交网络得出，考虑了时间信息对传播过程的成功分类至关重要。
- Wasserstein Weisfeiler-Lehman 图核
本文介绍了一种基于 Wasserstein 距离和 Weisfeiler-Lehman embedding 的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。
- 图神经切向核：将图神经网络与图核融合
本文介绍了一种新的图卷积核 (GNTKs) 可以更好地表达图的信息，并且在图分类数据集上表现出强大的性能。
- ICMLIPC：用于学习图结构数据的基准数据集
提供了一个基于国际规划竞赛的新数据集 IPC，用于评估基于图的机器学习方法，并与现有数据集进行比较，其中该数据集包含具有不同特点的大量有向图，带来了重大的挑战，同时方便扩展。