- 基于结构感知图学习的正无标签节点分类
本文提出了一种利用图结构进行正样本 - 未标记样本节点分类的方法，通过引入图中的同类偏执（homophily）来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。理论分析表明，最小化所提出的损失函数也同时最小化了期望损失，可适 - 图结构正则化对抗训练方法
本文提出一种名为 GReAT 的正则化方法，以提高深度学习模型的分类性能，通过将数据图结构引入对抗性训练过程中，增强模型的鲁棒性，并在对抗攻击中提供更好的测试性能和防御能力。
- WWWDYMOND：动态模型网络生成模型
DYMOND 是一种生成模型，考虑了网络结构中的动态变化和节点在模式中所起的作用，对比其他动态图生成模型，DYMOND 在生成类似于观察到的网络的图结构和节点行为方面表现更好，并提出了一种新的方法来评估网络的时态特征。
- 基于子图选择方法的越南多文档摘要 -- VLSP 2022 AbMuSu Shared Task
本文聚焦于将抽取式多篇文档自动摘要问题转化为子图选择问题，并利用整体图结构和选定子图捕捉同一文档内和同一群集内句子之间的关系，在 VLSP 2022 数据集上的实验结果表明，该模型目前在公共测试集上的 ROUGE-2 F1 值排名前 10。
- 异质性下的自监督学习和图分类
本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。
- CrysMMNet: 晶体属性预测的多模态表示
本研究提出了一种多模态框架，该框架将结构数据和文本描述结合起来进行分析，以更好地对材料进行建模并预测其性质。
- KDD发现动态因果空间进行有向无环图结构学习
提出了一个新的因果结构学习动态因果空间（CASPER），能够整合图结构作为因果空间中的新度量，以准确反映估计和真实 DAG 之间的因果距离，并通过自适应关注 DAG-ness 增强 DAG 结构学习。
- 从点云数据中鲁棒估计曲面曲率信息
本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。
- 基于 GPU 并行算法的图分析：量子聚类
本文介绍了一种新的方法，将量子聚类应用于图结构中，通过构建潜函数采用图梯度下降算法找到聚类中心，利用 GPU 并行计算势能值来评估方法性能，实验结果表明该方法具有优异的性能，最后还研究了 σ 对实验结果的影响。
- 探索图结构信息用于带悬挂节点案例的实体对齐
本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和 - Graph-Transporter：面向目标驱动变形物体重新排列任务的基于图的学习方法
通过用图形结构表示可变形物体的配置空间，使用图卷积网络对图进行编码并采用基于全卷积网络的体系结构，只从视觉输入中输出逐像素的采取和放置动作，以实现目标条件下的可变形物体重新排列任务。
- 人类通过权衡效用和计算成本来分解任务
提出了一种规范性的任务分解框架，发现人类的任务分解行为更符合这个框架且最符合一个被证明是合理的启发式 —— 介数中心性。
- HAQJSK: 分层对齐的量子 Jensen-Shannon 核用于图分类
该研究提出了一种基于 Hierarchical Aligned Quantum Jensen-Shannon Kernels 的新型量子核，利用 Hierarchical Transitive Aligned Adjacency Matri - Vision GNN: 一张图值得千万个节点
本文提出了将图像表示为图结构，并介绍了一种新的 Vision GNN（ViG）体系结构，用于提取视觉任务的图级特征。ViG 由 Grapher 模块和 FFN 模块组成，可用于图形聚合、更新图形信息以及节点特征变换。该体系结构在图像识别和目 - CVPR利用赌博机构造基于结构扰动的黑盒攻击对带有理论保证的图神经网络
本文主要研究黑盒攻击下的图神经网络，提出一种基于赌徒技巧的在线优化攻击方法，证明其具有亚线性的复杂度和理论保障，实验结果表明该攻击方法既有效又高效。
- CVPR面向体验型人工智能的连续场景表示
提出了一种基于连续值嵌入的场景表示方法 —— 连续场景表示（CSR），该方法由一个具有定位能力的机器人在场景中移动并建模物体及其关系组成。在 CSR 中，对象之间的关系被表示为二元组的形式，使得它可以逐渐逐帧地构建对象的图形模型，并且具有良 - 核指代消解的图优化
通过建模文档级别的语义关系图表，该研究提出了一种非自回归学习的自然语言处理模型，以改善代词关联问题的解决性能。实验结果表明，该方法在多个基准测试场景下有显著表现提升。
- ICLR图关系领域自适应
本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。
- EMNLP联合建模本地和全局语境的无监督关键词提取
本文提出了一种新的方法来解决无监督关键词抽取任务，该方法联合建模本地和全局语境。本地语境是通过基于文档的图形结构计算的，而全局语境是通过矢量空间中的转型嵌入模型计算的。最后，联合建模全局和本地语境以进行排名。
- ICCV基于图结构洞见的多标签预测和分类无监督人员重识别
本文提出了一种基于图形结构洞察力的多标签预测和分类方法，它从人体图像中提取特征并生成一个由特征和它们之间的相似性作为节点和边的图形。在此基础上，提出了 GSMLP 和 SMLC 两种方法，可以在不需要预标记数据集的情况下提高无监督个人 Re