- 使用残差连接和加权消息传递推广 GNNs
本研究论文讨论了使用图神经网络（GNNs）进行学习和预测任务的关键，包括如何通过修改信息传递机制来提高学习和加快收敛。
- 图结合大型语言模型的综述：现状与未来方向
在本调查中，我们首先提出了一种新的分类法，该分类法将现有方法根据 LLMs 在图相关任务中所扮演的角色（增强器、预测器和对齐组件）分为三类，并对这三类中的代表性方法进行了系统调查。我们还讨论了现有研究的局限性，并强调了未来研究的有希望的方向 - 一种用于半监督图学习的一致性扩散算法
半监督分类的目标是基于所知少数节点（称为种子）的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理，否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的，还在实际图上带来了显著的性能提升。
- 复杂工业系统中的因果发现：一个时序基准
通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。
- 理论与实践中的快速简单谱聚类
本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的 - 基于对比学习和极小极大熵的图上半监督领域适应
通过对比图的局部和全局视图所学习的表示，SemiGCL 生成信息丰富的节点表示，并通过对未标记目标节点的熵损失进行对抗优化，以减少领域差异，特别适用于图上的 SDDA 任务。
- MM一种具有可调特征的精准图生成模型
通过向 GraphTune 模型中添加新机制并进行独立的交替训练，提高了图形特征调节的准确性。实验结果表明，与传统模型相比，生成的图形的特征得到了准确调节。
- 自然语言就是图的应有之义
我们提出了 InstructGLM（指导调整的图语言模型），基于自然语言说明系统地设计高度可扩展的提示，使用自然语言描述图的几何结构和节点特征，通过指导调优语言模型以一种生成方式在图上执行学习和推理，超过了所有竞争的 GNN 基准数据集，证 - 图同构群等变神经网络
本文提供了对于任何 n 顶点的图 G 及其自同构群 Aut (G)，所有可能的 Aut (G) - 等变神经网络的完整特征描述，其层是某些张量乘幂的形式，找到了标准基础下该类张量空间中可学习的线性等变层函数的矩阵生成集。
- 比较因果框架：潜在结果、结构模型、图形和抽象
本论文旨在准确明确 Rubin 因果模型（RCM）和结构因果模型（SCM）框架之间的关系，揭示 SCMs 框架中隐含的代数约束规则，指出 SCM 原则在经典应用中的重要作用。
- 评估和解释图的结构节点嵌入的非监督框架
本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。
- ICML基于近似有效 $p$- 阻抗的多类图聚类
本文提出了一种近似值来计算 (有效的)$p$- 电阻，并将其应用于多类聚类，将其与其他 $p$-Laplacian 基于方法进行了比较。
- 混合图：一种统一的图表示法，用于复杂图的数据集和基准测试
本文介绍了混合图 (即高阶图) 的统一定义以及混合图基准测试 (HGB)，并提供了可扩展的评估框架和支持代码库以方便在 HGB 上训练和评估 GNNs；我们的实证研究揭示了各种研究机会和空白。
- 联合学习标签和环境因果独立性，用于图形样本的去分布泛化
本文提出了一种使用标签和环境因果独立（LECI）的方法，通过联合最大化标签和环境信息以解决之前方法中面临的识别因果和不变子图的挑战，并进一步开发了一种对抗训练策略来共同优化这两个特性，从而实现对因果子图的发现，该方法在合成和现实数据集上显著 - KDD从单个快照重构图形扩散历史
研究了一种困难的扩散历史记录问题，提出了一种新的重建方法 —— 基于后验分布的重建方法，通过 Metropolis-Hastings Markov 链蒙特卡洛方法和无监督图神经网络来加速 M-H MCMC 的收敛，实验结果表明该方法有效。
- 以基于质量的图为基础的记忆：构建人类记忆在 AI 中的概念性框架的模拟模型
本文提出了一种用于模拟记忆和学习的模型，该模型将记忆的地形差异转化为节点上的量，并且可以动态地发展和修改。
- CVPR最大团的 3D 配准
本文提出了一种基于最大团的三维点云配准方法，使用图形挖掘更多的局部信息来获取更精确的姿态假设并且在多项实验中表现出比其他算法更好的性能。
- 使用图回声状态网络解决节点分类中的异质性问题
在异质性图上处理节点分类任务是具有挑战性的，本文提出使用图回声状态网络（Graph Echo State Network，GESN）来解决这一挑战。结果表明，与完全训练的深度模型相比，GESN 能够实现更好或相当的精度，同时在效率 / 准确 - WWW层级不平衡节点分类的双曲几何图嵌入学习
在图中学习不偏倚的节点表示已成为一个更为重要的研究领域，本文提出一种新型的超伽马几何不平衡层次学习框架自动实现节点分类任务的评估。
- 基于图的去中心化对抗训练
研究在图形上进行分散敌对训练以提高多智能体系统的鲁棒性。通过使用传播学习的 min-max 形式，我们开发了一种分散的敌对训练框架，在凸和非凸环境中分析了所提出方案的收敛性，并说明了对抗攻击的增强鲁棒性。