- GraphSnapShot: 快速存储和检索的图机器学习加速
我们最近的研究中，我们开发了一个名为 GraphSnapShot 的框架，该框架已被证明是图学习加速的有用工具。GraphSnapShot 是一种用于图学习的快速缓存、存储、检索和计算的框架。通过快速存储和更新图结构的本地拓扑，它允许我们跟 - 基于图神经网络的启发式学习：一种用于链接预测的统一框架
利用统一矩阵公式和 HL-GNN 方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
- 探索图解释中的高阶结构
介绍了一种名为 HOGE 的框架，用于捕捉使用细胞复合体建模的高阶结构，可用于解释图神经网络的预测，并在实际应用中达到更清晰和更准确的解释。
- 大规模语言模型对图的调查
通过综述最新的最先进的用于图学习的大型语言模型，我们引入了一种新的分类方法，详细阐述了四种独特的设计，并探讨了每种框架的优势和局限性，同时强调了未来研究的潜在方向。
- 公平感知的图转换器
为了解决图形转换器中存在的偏见问题，我们提出了一种公平感知图形转换器 FairGT，它采用了细致的结构特征选择策略和多跳节点特征整合方法，确保敏感特征的独立性并增强公平性考虑。在五个真实数据集上进行的实证评估表明，FairGT 在公平度量方 - 缩小公平鸿沟：在图神经网络中实现群体和个体公平
在图学习的背景下，我们提出了一个名为 Fairness for Group and Individual (FairGI) 的新概念，该概念考虑了组公平性和组内个体公平性，并通过个体之间的相似度矩阵实现了组内个体公平性，同时利用对抗学习来解 - 引入多面体不确定图的图学习
这篇研究论文介绍了一种适用于具有多面体不确定性的基础图形的图形学习方法，将该图形在多面体集合中的假设结合到两个成熟的图形学习框架中，发现我们的方法在计算量较少的情况下能够获得更好的结果。
- 描述拓扑对图学习任务的影响
该研究提出了一种度量指标 TopoInf，用于衡量图的拓扑结构对下游任务的影响，并通过上下文随机块模型的解耦 GNN 进行分析，证明了该度量指标的有效性。通过大量实验证明 TopoInf 是衡量拓扑影响的有效度量，并可进一步用于增强图学习。
- 基于二维图卷积的谱图神经网络
提出了一种名为 2-D graph convolution 的新卷积范式，通过应用 Chebyshev 插值在 ChebNet2D 上实现，以解决现有光谱图神经网络在执行光谱图卷积时存在的关键问题。
- 多项式图形套索：从高斯图 - 平稳信号学习边缘
Polynomial Graphical Lasso (PGL) 是一种学习从节点信号中获取图结构的新方法，模拟节点信号为高斯和图上的静态信号，提出了一个结合图融奕和更全面模型的图学习公式，通过估计图和精确度矩阵的低复杂度算法来解决优化问题 - GLEMOS: 即时图学习模型选择的基准
通过设计高效的模型选择方法，研究了图学习模型的选择问题，并提供了一套全面的基准数据和评估环境用于评估模型在链接预测和节点分类等任务上的表现。
- 利用个体图结构提升生态瞬时评估（EMA）预测
该研究调查了借助回归和时间图神经网络（GNNs）评估和预测生态瞬时评估（EMA）数据的性能，发现 GNNs 能够在增加内部变量关系的图的情况下显著提升结果，将均方误差（MSE）从基准 LSTM 模型的 1.02 降低至 0.84；此外，也探 - 基于张量的多视角聚类中一贯性和特异性的图学习
本文提出一种新颖的基于张量的图学习框架，同时考虑了多视图聚类的一致性和特异性，通过在斯蒂费尔流形上计算相似性距离，解决了现有方法中使用欧氏距离度量相似性的不足，并通过张量奇异值分解实现对目标图的全面理解。实验证明，该方法在真实数据集上的性能 - 异质友善信息增强图神经网络
在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征 - 基于高维度图分类的分子分类
我们的研究引入了一种创新的基于超维计算的图学习方法，与图神经网络和 Weisfieler-Lehman 图核心相比，在癌细胞识别等应用领域取得了可比拟的结果，并且在训练和推断阶段实现了显著的加速和资源效率的提升。
- 图神经网络中的不确定性研究
通过综述现有的图卷积神经网络预测不确定性理论与方法，以及相关任务，我们主要关注不确定性的集成，这旨在增强模型性能与预测可靠性，从而桥接理论与实践，并连接不同的图卷积神经网络社区，同时为这个领域提供了有价值的研究方向。
- OpenGraph：走向开放图形基础模型
我们开发了一个通用的图基础模型，通过理解不同基于图的数据中的复杂拓扑模式，使其在不同下游数据集上出色地完成零样本图学习任务。
- 图学习在分布偏移下的研究：领域自适应、离域和连续学习的综合调查
综述研究了图学习中的分布转变问题及解决方法，将现有的图学习方法分为图领域适应学习、图越域学习和图持续学习三种关键场景，详细讨论了这些场景下的现有进展，并对该领域进行了潜在应用和未来研究方向的分析。
- UniGraph：从自然语言中学习跨领域图基础模型
我们提出了 UniGraph 框架，通过使用文本属性图（TAGs）来训练图基础模型，实现对未见过的图和任务在不同领域中的泛化能力。我们的方法采用了级联的语言模型（LMs）和图神经网络（GNNs）构建的骨干网络以及基于掩码图建模（MGM）的自 - ZeroG: 探索图中的跨数据集零样本迁移性
通过引入 ZeroG，一种新的框架，我们扩展了这种零样本迁移学习范式到图领域，以实现数据集间的泛化，减少特征不对齐、标签空间不匹配和负迁移等固有挑战，并通过使用语言模型对节点属性和类别语义进行编码，以确保数据集间的一致特征维度，并通过基于提