- LangTopo: 利用分词的拓扑建模将图形的语言描述对齐
该论文介绍了一种新的框架 LangTopo，通过构建代码簿量化了 GNN 和 LLM 的图结构建模能力，并通过一致性最大化的过程将 LLM 的文本描述与 GNN 的拓扑建模对齐，使 LLM 能够学习捕捉图结构的能力，从而能够独立处理图结构化 - 图上的边分类：拓扑不平衡的新方向
图机器学习在节点 / 图分类和链接预测方面取得了显著成功，但是边缘分类任务，如社交网络分析和网络安全等应用，却没有得到明显的进展。为了解决这一问题，本研究首次提出了一种全面的边缘分类方法，并确定了一个新的 “拓扑不平衡问题”，该问题源于边缘 - GraphStorm: 为工业应用而设计的一体化图机器学习框架
GraphStorm 是一个端到端的解决方案，提供可扩展的图构建、模型训练和推理，并具有易于使用、适用于海量数据集和扩展性强的特性。
- 利用相交社群学习大型图
使用交错社群图的方法提出了一种新的、基于图机器学习的消息传递神经网络算法，可以有效地处理大型非稀疏图上的节点分类和时空数据处理任务。
- LOGIN: 一个大型语言模型咨询的图神经网络训练框架
将大型语言模型（LLMs）与图神经网络（GNNs）相结合的互动方式（LLMs-as-Consultants）——LOGIN（LLM Consulted GNN training）框架，在节点分类任务上取得了与复杂设计的先进 GNNs 相媲美 - 图机器学习的安全性：威胁与保障
探讨了提高图机器学习（Graph ML）安全性的三个关键方面：可靠性、泛化能力和保密性，并采用一种新的分类法分析了与这些方面相关的威胁，指导评估有效策略来保护图 ML 模型的安全性，为未来的研究奠定基础。
- HeteroMILE：异质图的多层图表示学习框架
HeteroMILE 是一种可以使得当代图嵌入方法适应大型图的通用方法，在保持骨干结构的同时将大尺寸图编织成较小尺寸以减少计算成本，并且在链接预测和节点分类方面产生更好质量的嵌入。
- KDDCHILI：用于推进图机器学习的化学信息大规模无机纳米材料数据集
通过提供新的化学信息的大规模无机纳米材料 (CHILI) 数据集，用于解决图机器学习在周期性和对称性建模方面的挑战，该研究评估了一系列基准方法，并指出未来需要研究的方向。
- 超越泛化：关于图上的外域适应性问题调查
在这篇综述文章中，我们详细回顾了图形 OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。
- 链路预测的混合模型
介绍了一种适用于链接预测的简单的专家组合模型（Link-MoE），通过选择合适的专家基于各种类型的成对信息，该模型在各种真实世界数据集上取得了显著的性能提升。
- 基于上下文学习的通用链接预测器
本研究介绍了一种名为 UniLP 的全能连接预测模型，它结合了启发式方法的普适性和参数化模型的模式学习能力，能够自动识别不同图表的连接模式并在无需针对性训练的情况下迅速应用于任何未知图表数据集。该模型通过 In-context Learni - 数据高效图学习综述
图结构数据是从社交网络到生化分析等领域广泛存在的，它们为不同实际系统提供了基础。而图神经网络在建模这种类型的数据时具有很高的成功率，但通常依赖于大量标记数据，这在实际场景中具有有限的注释资源时带来挑战。为了解决这个问题，我们在低资源环境下增 - 图异常检测的多任务主动学习
在网络时代，图机器学习已经广泛应用于普遍存在的图结构数据中。本研究提出了一种名为 MITIGATE 的新型多任务主动图异常检测框架，通过耦合节点分类任务，增加了检测未知异常节点的能力，并通过置信度差异量化节点的信息量，采用掩码聚合机制提高了 - 解析图机器学习中拓扑数据分析的威力
我们详细测试了拓扑数据分析（TDA）的声称，并验证了其优点。我们的结果证实了 TDA 对异常值的鲁棒性和其解释性，并发现 TDA 在我们的具体实验中并没有显著提高现有方法的预测能力，同时增加了计算成本。我们研究了与图特征相关的现象，如小直径 - 可扩展的人类基因组变异知识图谱构建与推理
这项研究将来自 RNA - 测序的新冠病毒感染患者的变异级别信息表示为一个统一的、大规模的知识图谱，并使用该图谱进行了分类任务和图机器学习的案例研究。
- 走向图基础模型：调研与展望
提出了图基础模型（GFMs）的概念，并对其关键特征和技术进行首次全面阐述，然后将现有工作根据其依赖性分为三类，即基于图神经网络和大语言模型。本文不仅提供了对当前图基础模型领域的综合概述，还讨论了这一发展中领域的潜在研究方向。
- 图文融合：图推理在文本空间中
通过一种新的框架 GraphText，将图形转化为自然语言，无需图数据训练，能够实现与监督训练图神经网络相媲美甚至超越其性能的图推理，同时为人类和大型语言模型提供了与模型无缝交流的方式，突显了大型语言模型在图机器学习领域尚未探索的巨大潜力。
- 基于节点中心性和图嵌入的链接预测参数化模型
本文提出了一种新的方法 Node Centrality and Similarity Based Parameterised Model（NCSM）用于链接预测任务，通过在自定义的图神经网络（GNN）层中将节点中心性和相似性度量作为边特征进 - 评估图神经网络的链接预测解释
本文提出了衡量链接预测解释质量的定量指标，通过使用这些指标对图神经网络的最先进可解释性方法进行评估，讨论了底层假设和特定于链接预测任务的技术细节对解释质量的影响。
- 图链接预测中优化泛化性的由节点特征与图拓扑的解耦
利用节点属性的预训练来改善连接预测模型的泛化能力，通过学习一个函数，UPNA 方法解决了归纳连接预测问题，超过了基准数据集上基准模型的表现。