- 图科尔莫戈洛夫 - 阿诺德网络
我们引入了图科尔莫哥洛夫 - 阿诺德网络（GKAN），一种创新的神经网络架构，它扩展了最近提出的科尔莫哥洛夫 - 阿诺德网络（KAN）的原理，用于图结构化数据。通过采用 KAN 的独特特性，尤其是使用可学习的单变量函数而不是固定线性权重，我 - 强传递关系与图神经网络
本研究通过扩展相似性的概念，从邻近社区延伸到整个图形，并引入了基于传递性关系的相似性扩展，使得图神经网络能够捕捉整个图形上的全局相似性和局部相似性。我们提出了 Transitivity Graph Neural Network（TransG - 基于图的无监督学习方法用于 6G 子网络的子频段分配
该论文通过基于图的学习提出了一种无监督的无线网络频率子频带分配方法，模型化了子网络部署为冲突图，并借鉴了图着色启发式和波茨模型的无监督学习方法来优化子频带的分配，数值评估表明该方法在计算时间复杂度更低的前提下，实现了接近集中式贪婪着色子频带 - 基于局部结构嵌入恢复遗失的节点特征
通过结合网络结构，我们提出了一种从一组图中完全恢复缺失节点特征的框架，该框架利用了先前的拓扑和节点特征信息，并通过聚合相似节点的已知特征来估计缺失节点值，在图基学习中强调了节点特征和图结构的关系。
- 细胞注意力网络
介绍了细胞注意力网络 (CANs)，它在图的节点上定义数据，将图表示为一个单细胞复合体的 1 - 骨架，以捕捉更高阶的相互作用，并通过 2 种自掩模机制设计更广泛的图注意策略。实验结果表明 CANs 是一种与基于图的学习的最新成果相比，具有 - 基于图的 SAR 数据半监督分类主动学习
使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。
- 图注意力回顾
本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。
- KDD基于分解图原型网络的零样本节点分类
本研究探讨了零样本节点分类问题，通过提取高质量的类别语义描述并设计一种包含图学习模型的分解式原型网络方法，实现了对从未出现过的新类别节点的分类。
- 图形对比聚类
本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。
- Poisson Learning: 基于图的半监督学习在极低标签率下的应用
本文提出了一种称为 Poisson 学习的新框架，用于在标签率非常低的情况下进行基于图的半监督学习。该方法取代了在训练点处分配标签值的过程，并将其替换为源和汇的布置，并在图上解决了由此产生的泊松方程。数值实验证明，该方法优于 MNIST，F - 利普希茨界和拉普拉斯平滑法可证明的鲁棒训练
本文提出了一个基于图的学习框架来训练在对抗扰动下具有稳健性的模型，并通过 Lipschitz 约束将对抗性稳健学习问题形式化为损失最小化问题，设计了一个稳健训练方案来收敛到拉格朗日函数的鞍点。 最终通过实验表明，在达到期望的标准表现的同时提 - 图元学习中的传播学习
本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。
- 优化广义 PageRank 方法以进行种子扩展社区检测
该研究提出了基于加权随机游走概率的广义 PageRank 方法，并针对社区检测问题，提出新的随机游走权重计算方法。通过合成和真实数据的大规模实验，证明了新方法在社区检测问题中的有效性。
- 基于模 motif 的注意力机制的图卷称神经网络
本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。
- KDD基于动态特性的图分类特征
该研究提出了一种基于特征的新方法来进行网络分类，通过在网络上的动态特征进行分类，并在人类大脑网络上进行了实证研究，结果表明该方法具有优异的性能。
- 构建 L2 - 图用于鲁棒子空间学习和子空间聚类
本文提出一种基于 L2-Graph 的新方法，通过证明不同线性投影空间共享的性质构建一种稀疏的相似性图，而非从输入空间消除错误来消除其对表示空间的影响，并在此基础上发展出更准确、更健壮和更高效的子空间聚类和学习算法。
- 在大型图形中查找最接近的截断通勤时间邻居的一种可解决方法
通过加速随机游走算法计算截断通勤时间，不需要计算所有配对，本文在模拟和真实图表上进行了实验，结果显示计算时间近线性缩放。