- 基于结构聚类的图神经网络主动学习
提出了面向图结构数据的改进型主动学习方法 —— 结构聚类 PageRank 方法 (SPA)，它通过集成 SCAN 算法的社区检测与 PageRank 评分方法，实现了高效且信息丰富的样本选择，SPA 能够优先选择既具有信息量又在结构上具有 - 简洁且非对称的图形对比学习无需数据增强
通过考虑相邻节点的非对称视图，本文提出了一种简单的算法 —— 用于图的非对称对比学习（GraphACL），它不依赖图扩充和同质性假设，在同质性和异质性图上具有优于最新的图对比学习和自监督学习方法的性能。
- 自适应对编码用于链接预测
LPFormer 是一种新方法，通过学习适应性地编码每个链接的成对编码，以实现链接预测，并通过建模与链接预测相关的多个因素的注意力模块来模拟链接之间存在的成对编码。大量实验证明，LPFormer 在许多数据集上能够达到最先进的性能同时保持效 - 基于结构的神经切线核的快速图压缩
提出一种数据集整理框架（GC-SNTK），通过使用基于结构的神经切割核（SNTK）来加速图的整理并保持高预测性能。
- DropMix：更好的图形对比学习与更困难的负样本
在图对比学习中，我们提出了一种名为 DropMix 的新方法，用于合成更加困难的负样本，通过选择和混合难负样本的表示维度，减少信息丢失，从而提升图对比学习性能。
- GraphControl: 为图领域迁移学习的通用图预训练模型添加条件控制
通过 GraphControl 模块和先进的图结构预训练模型，解决了在不同图中转移预训练模型到下游任务时的可迁移性和特异性之间的困境，并在目标数据集上实现了 1.4-3 倍的性能提升。
- 将图形与大型语言模型融合：方法与前景
大型语言模型与图结构化数据的集成可以通过增强现有图算法和作为预测模型来提升性能，同时结合图结构可以在各种复杂任务中显著改善大型语言模型的表现。
- 超越文本：深入研究大型语言模型对理解图数据的能力
在该研究中，我们通过对大型语言模型在图预测任务的性能进行实验，评估它们是否能有效处理图数据并利用拓扑结构提高性能；通过与专门的图神经网络进行比较，我们对大型语言模型在图分析中的优势和局限性提供了见解，并为将它们应用于图分析提供了进一步的探索 - 高效对比图交互学习的共同关注图池化
提出了一种新颖高效的图级方法，通过图池化中的共同注意力来提取交互表示，该方法在使用真实世界数据集的分类和回归任务中相对于现有方法表现竞争力，同时保持较低的计算复杂度。
- 利用人类好奇心的网络理论进行本质动机的图形探索
通过结合人类好奇心理论，使用基于图神经网络的强化学习来探索图形化数据，这种内部动机探索方法尤其适用于推荐系统
- 基于图的函数的贝叶斯优化
我们提出了一种新的贝叶斯优化框架，通过学习适当的图核心，我们的框架具有适应目标函数行为的优点，本地建模方法进一步保证了我们方法的效率。
- NervePool: 一个单纯性汇聚层
该研究提出了一个名为 NervePool 的基于 simplicial complexes 的池化层，可用于处理深度学习中的 graph-structured data，通过对顶点的聚类分配以及高维运算拓展到了更高维度的 simplices - 不可学习的图形：保护图形不受未授权利用
本文提出一种新方法通过使用 Error-Minimizing Structural Poisoning (EMinS) 模块向图中注入干扰噪声，从而使图形变得不可探测，以解决商业图形神经网络 (GNN) 模型训练中的潜在数据隐私问题，并在 - AAAIFTM：一种用于时态图表示学习的帧级时间线建模方法
该论文提出了一种基于 Frame-level Timeline Modeling (FTM) 的邻居聚合策略，用于学习捕捉时间性 Graph 数据的短期和长期特征的表示，并在常用的数据集上得到了较大的性能改进，具备更好的健壮性和领域通用性。
- ICLR基于图神经网络的高斯过程半监督学习核函数
本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中，以优化其在图结构数据上的预测表现，并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法，通过这些基于图的协方差矩阵，与相应的图神经网络相比，具有相似的分类和回 - 持续图学习：概览
本文调研了图结构数据上持续学习的问题，并介绍了持续图学习的基本概念及其面临的挑战，分析了最新的面向持续图学习问题的方法，并探讨了现有方法的主要问题和可能的解决方案以及持续图学习的未来研究方向和应用前景。
- 使用随机游走采样训练差分隐私图神经网络
研究深度学习模型在保护隐私方面的挑战，尤其是在图形结构数据上应用差分隐私随机梯度下降来防止训练数据泄漏。这篇论文提出通过在给定训练图的不相交子图上训练图神经网络来解决这个问题，并且进行了大量实验来验证方法的有效性。
- 谱扩散快速生成图
该论文提出了一种基于图谱扩散的高效而有效的 Graph Spectral Diffusion Model （GSDM），相较于基于整个图邻接矩阵空间的扩散模型，该模型能够更好地学习生成拓扑结构更好的图数据，而实验结果表明该模型不仅可以生成质 - KDD超几何图表征学习：教程
介绍了基于超伽马空间表示的图形学习的前沿技术，并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节，同时讨论了超伽马几何图形表示学习的进阶主题。
- ICLR基于关系注意力的图结构任务通用 Transformer
本文描述了如何使用关系注意力处理图数据，以及在各种基准测试中比图神经网络做得更好的关系变压器。