- 用可解释的贝叶斯神经网络学习图结构
从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。
- 基于模式驱动的子图结构学习用于图分类
本文探讨了子图结构学习在图分类中的潜力，同时提出了基于图形结构学习的 Motif - 驱动子图结构学习方法 (MOSGSL)，通过解决关键子图选择和结构优化的挑战，从而在图分类任务中取得了显著和一致的改进。
- S$^2$GSL：基于分段到句法增强图结构学习的方面情感分析
提出了一个新的方法 S$^2$GSL，在 Aspect based Sentiment Analysis (ABSA) 中结合了段落感知的语义图学习和基于语法的潜在图学习，以提高图结构学习的准确性和效果。
- 学习潜在的图结构及其不确定性
该研究展示了在预测任务中，图神经网络（GNNs）利用关系信息作为归纳偏差以提高模型的准确性。通过学习图结构的方法来解决下游预测任务中未知的相关关系，同时证明了点预测损失函数（如平均绝对误差）的最小化并不能保证对潜在关系信息及其相关不确定性进 - GraphER: 一种结构感知的文本到图模型，用于实体和关系抽取
该研究论文提出了一种新颖的方法，将信息提取任务转化为图结构学习，通过动态细化和优化图结构来增强模型在实体和关系预测方面的能力，相比于以前的模型，该方法允许更好的交互和结构驱动决策，同时在联合实体和关系提取基准测试上与最先进的基准模型相比获得 - KDDDEGNN: 处理边缘和节点特征噪声的双专家图神经网络
DEGNN 是一种新型的 GNN 模型，通过设计两个独立的专家：边缘专家和节点特征专家，利用自监督学习技术产生修改后的边缘和节点特征，从而在应对现实世界图中的边缘和节点特征噪声方面实现鲁棒性。
- 异质性下的鲁棒图结构学习
我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质 - GraphEdit: 大规模语言模型用于图结构学习
通过使用大型语言模型来学习图结构数据中的复杂节点关系，GraphEdit 方法无论在去噪连接还是从全局角度识别节点依赖方面都提供了全面的图结构理解，有效克服了显式图结构信息的局限性，增强了图结构学习的可靠性。
- DSLR：多样性增强和结构学习的基于重演的图连续学习
我们针对图连续学习（GCL）方法中的回放缓冲区展开了研究。我们提出了一种名为 DSLR 的 GCL 模型，通过考虑回放节点的类别代表性和类内多样性来解决回放缓冲区中节点集中和模型性能受损的问题，并采用图结构学习来确保回放节点与真正具有信息的 - DeepRicci：自我监督的图结构特征协同细化，缓解过度压缩
通过自我监督的黎曼模型 DeepRicci，利用黎曼几何中的里奇曲率对典型图神经网络进行超平方压缩解决的计算、建模和利用里奇曲率的挑战，通过几何对比学习在不同几何视图之间优化节点特征并通过可微的里奇曲率背向流同时优化图结构
- 基于图结构学习的分子属性预测
在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达 - 无标签多元时间序列异常检测
MTGFlow 是一种使用动态图和实体感知的归一化流的多元时间序列异常检测的无监督方法，通过学习实体之间的相互依赖和演变关系来捕捉复杂和准确的分布模式，并利用实体感知的归一化流来表示每个实体作为一个参数化的正态分布，通过对具有类似特征的实体 - AAAI神经高斯相似性建模用于差分图结构学习
通过使用可微分采样替代非可微邻近采样，我们构建了一种差分图结构学习模型，其中提出了钟形高斯相似性（GauSim）建模用于采样非最近邻，进一步提出具有灵活采样行为的可学习参数的神经高斯相似性（NeuralGauSim），同时通过将大规模图转换 - 图结构学习基准
使用 20 个不同的图数据集和 16 个不同的 GSL 算法构建的全面图结构学习基准 (GSLB) 系统地分析了 GSL 的性能，并评估了前沿的 GSL 算法在节点级和图级任务中的表现，以及它们在鲁棒学习和模型复杂性方面的性能并提供了可视化 - UGSL：用于图结构学习基准测试的统一框架
我们提出了一种名为统一图结构学习（UGSL）的框架，用于图结构学习的基准策略，该框架将现有模型重构为一个单一模型，并对框架中不同组件的有效性进行了广泛分析，结果详细说明了该领域中的不同方法及其优缺点。
- 基于同质性增强的图聚类结构学习
提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。
- 动态双图融合卷积网络用于阿尔茨海默病诊断
提出了一种动态双图融合卷积网络来提高阿尔茨海默病的诊断性能，该网络可以动态调整图结构以产生更好的诊断结果，并结合特征图和动态图学习来增加有用特征的权重并减少噪音特征的权重。实验证明该模型在阿尔茨海默病的诊断中具有灵活性和稳定性，并取得了优秀 - 带有特征和邻接矩阵对齐的强健图结构学习
本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。
- KDDGraphGLOW: 图神经网络通用且普适的结构学习
本文介绍一种新的问题设置，探索学习通用图结构学习模型以在开放环境下推广，从而进一步优化可适应特定图数据集的图结构，通过多个特定的 GNN 模型应对多样化数据集。
- OpenGSL：图结构学习的全面基准
这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。