- 通过随机微分方程进行基于组合复杂得分的扩散建模
利用图结构、生成模型、组合复杂体、随机微分方程和生成人工智能，提出了一个统一框架来生成复杂物体，包括图和分子，并且在这些任务上与最先进的方法相竞争。
- 用于图指导调优的联合嵌入
该论文研究了将图模态集成到大型语言模型中，以提升其在图解指令任务中的性能表现，并通过图嵌入训练模型，使其能够理解和基于图表示生成回答。该方法在性能上显著优于图文方法，并且对于较大的图结构保持一致。
- 旅行推销员问题的测试时间增强
通过测试时间增强（TTA）作为一种有效的技术，我们提出了解决组合优化问题，包括旅行推销员问题。与学习图结构的已提出的具有不变性特性的深度学习模型不同，我们将节点索引的排列解释为一种 TTA 方案。结果表明，我们的方法能够获得比最新模型更短的 - 多视图图结构表示学习：基于图粗化
通过实验分析，我们探索将图结构作为整体像节点一样进行学习的可行性，并基于我们的发现，提出了一种基于图粗化的多视图图结构表示学习模型（MSLgo）来进行图分类。我们通过层次启发式图粗化压缩循环和团，并通过精心设计的约束进行限制，从而构建了粗化 - 在大型对抗图环境中缓解级联效应
通过深度学习方法，该研究论文在图结构中提出了一种数据驱动的、能够预测级联影响、并具有较高防御效果的防御策略，其在大规模图环境中表现出比其他深度学习方法更好的预测准确性。
- 基于概念漂移检测和基于原型的嵌入的图流分类的增量学习
该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。
- 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 - 离散潜变图生成建模与扩散桥
GLAD 是一个离散的潜在空间图生成模型，通过在适当构建的潜在空间上运行，避免了对原始数据空间进行分解的依赖，取得了具有竞争力的超越状态的图生成性能。
- 解决公平图学习数据集的不足：走向新的基准
公平图学习方法的评估常常依赖于构造不完善的半合成数据集或次标准的真实世界数据集。本研究针对这些问题，通过开发和引入一系列合成、半合成和真实世界数据集，旨在为公平模型的评估提供有意义的图结构和关键偏见信息。经过对提出的数据集的系统评估，为公平 - 图神经网络机器：用于表格数据学习的新模型
近年来，对不同领域数据进行图结构化映射的兴趣日益增长。本文展示了多层感知器（MLP）等神经网络模型可以用图表示，而图神经网络（GNN）是在图上执行机器学习任务的标准工具。我们提出了一种用于表格数据的新的机器学习模型，称为图神经机器（GNM） - 多模态大型语言模型中的图推理图渲染
本文探讨了在图推理任务中将视觉信息与文本信息相结合的可行性，并使用基准测试 GITQA 以及多模态 LLM 模型进行了实验证明了在图推理任务中使用文本和视觉信息相结合要好于单一模态。
- 玉米导航：用于分子模拟的循环和条件计算图
Maize 是一个基于流程编程原理的工作流管理器，可以执行任意图结构，并在计算化学、分子模拟和计算药物设计等领域展现出良好的效果。
- 图神经网络在表格数据学习中的应用：一项包含分类和发展方向的调查
通过对实现图神经网络 (GNNs) 的 Tabular Data Learning (TDL) 方法进行系统回顾与详细调查，本文强调了潜在关联性以及特征间数值的不足在 TDL 中。同时，本文提供了 GNNs 在构建图结构和表示学习方面的综合 - 关于图神经网络的表达能力
该论文概述了图神经网络的 “表达能力” 概念，并就图神经网络的设计选择提供了有价值的见解。
- AAAINodeMixup: 解决图神经网络的欠拟合问题
图神经网络在解决半监督节点分类问题上已成为主流方法。然而，由于标记节点在图中的不均匀位置分布，标记节点只能访问到少部分未标记节点，导致了 “达不到” 问题。本研究首先通过对各种已知图进行实证研究揭示了达不到问题。然后，通过系统的实验分析展示 - 图数据与多模态相遇：图理解与推理的新范式
通过整合图像编码和多模态技术，将图数据理解和推理的范式与 GPT-4V 的先进能力相结合，以指令 - 响应格式实现对图数据的理解，评估该范式在不同图类型上的性能并强调模型的优势和劣势，特别是中文 OCR 性能和复杂推理任务，为增强图数据处理 - 高效可扩展的图生成通过迭代局部扩展
通过逐步扩展单个节点生成目标图形的方法，避免建模所有节点对之间的联合分布，通过局部生成来实现较大的计算节省和高度表现力，实现了状态较好的性能，并具有更好的泛化能力。
- 谨慎增强：通过选择性频谱扰动提升图对比学习
我们提出了一种名为 GASSER 的方法，在图的频谱域中对特定频率的图结构进行有针对性的扰动，并且边缘扰动受频谱提示的指导。通过大量实验证明，这种扩增视图是适应性的、可控的，并且启发式地符合图结构的同质比和频谱。
- 概率重连的消息传递神经网络
利用最近在精确和可微分的 k 子集采样中的进展，我们设计了一种概率重连的消息传递图神经网络（PR-MPNNs），该网络学习在省略不太有益的边的同时添加相关边。首次，我们的理论分析探索了 PR-MPNNs 如何增强表达能力，并且我们确定了它们 - LLM 辅助下的知识图谱工程：ChatGPT 实验
本文介绍了最近使用 ChatGPT 对知识图谱工程进行实验的结果，探讨了其协助知识图谱的发展和管理的潜力。