- SE-VGAE：用于可解释的建筑布局设计图生成的无监督分解表示学习
我们介绍了一个无监督的分离表示学习框架 (SE-VGAE)，旨在生成以属性连接的多图形式的建筑布局，同时强调表示的分离性，通过优化数据集和实验，对探索基于图形数据的建筑设计表示空间进行了深入研究，该研究将无监督的分离表示学习应用于建筑布局图 - 多源无监督图领域自适应中的可迁移性建模
我们提出了一种基于图模型的多源自适应框架，通过图域选择器、子图节点选择器和双层对齐目标来解决多源无监督域自适应问题，实验证明该方法的有效性。
- 图神经网络的逻辑精炼
我们提出了一种基于逻辑的可解释模型，用于学习图形，并通过图神经网络（GNN）提炼该模型的算法。我们通过决策树模型以及扩展的二阶逻辑（C2）从 GNN 中提炼可解释的逻辑分类器，测试结果表明在可被 C2 表达的情况下，我们的方法优于 GNN。
- 通过流形优化和进化元启发式算法学习解决多分辨率矩阵分解
多分辨率矩阵分解 (MMF) 通过优化元启发式方法、进化算法、Stiefel 流形优化和反向传播误差，在建模具有复杂多尺度或分层结构的图形时，提出了一种 “可学习” 的 MMF 版本，产生的小波基础性能优于现有的 MMF 算法，并在图形上的 - 修正图卷积的分析
基于图的节点分类中，机器学习和图卷积在性能上具有重要作用，但过多的图卷积会导致性能下降，本文通过理论分析和实证研究，提供了一种基于去除主特征向量的改进图卷积方法，且对于部分和完全分类都取得了显著的性能提升。
- DataSP：一种基于上下文的差分全互相最短路径算法用于学习成本和预测路径
从轨迹示范在不同的背景特征下学习图上转换的潜在成本是具有挑战性但有用于路径规划。这篇论文引入了 DataSP，它是一种可微分的全对全最短路径算法，用于从轨迹中学习潜在成本。通过神经网络近似，可以在算法中表达出来自背景特征的复杂潜在成本函数。 - 图上 $p$-biharmonic 方程的连续极限
该研究探讨了图上的 p - 双调和方程，该方程出现在点云处理中，并可从超图的角度解释为图 p - 拉普拉斯的自然扩展。研究了当考虑随机几何图且数据点数趋于无穷时，解的渐近行为。我们展示了连续极限为具有齐次 Neumann 边界条件的适当加权 - 抵抗力是关键：图上有效抵抗力与某些最优输运问题的等价性
图上的有效电阻和最优传输领域与组合数学、几何学、机器学习等具有广泛关联。本文提出了一个大胆的观点，即这两个领域应被理解为相同的，仅在于选择 $p$。通过引入参数化的 $p$-Beckmann 距离家族来确立这一观点，并将其与某些 Wasse - 用 Gromow-Wasserstein 中心点进行图数据增强
在该论文中，提出了一种新颖的图形增强策略，该策略在非欧几里得空间中操作，通过使用图数学模型对网络序列的生成机制进行建模，提高了图分类模型的性能。此外，使用非欧几里得距离，特别是 Gromow-Wasserstein 距离，可以更好地逼近图形 - 组合优化的图强化学习：调查与统一视角
图离散结构上关于决策制定方法的综合视角，通过采用强化学习算法解决图优化问题。
- 通过生成方法探索图表示学习中的任务合并
提出了 GA^2E，一种统一的对抗性掩码自动编码器，能够在各种图任务中无缝应用，通过对抗训练机制确保图表示的稳健性。
- ICML量化人类对社交和导航网络的先验
这项研究利用图的组合结构来量化人类对隐含关系数据的先验知识，实验重点关注社交互动和空间导航领域，并发现推断出的先验知识具有一定的一致性和特定领域特征，从而展示了如何利用非经典的统计分析方法高效地建模数据中的潜在偏见。
- 信息流路径：大规模自动解释语言模型
我们通过构建节点和边的图表来自动揭示模型中的信息流；与现有的工作流相比，我们通过与其他的方法相反，利用属性来实现这一目标，并能够在任何预测中提取信息流路线，不仅限于特定类型的预测；此外，我们实验了 Llama 2，并表明了某些注意力头的整体 - AAAIGIN-SD: 通过位置编码和注意力融合的不完整节点图源检测
通过位置编码和关注融合（GIN-SD）的图中不完整节点源检测方法，有效解决了在有限的用户数据条件下对谣言源的检测问题，并证实了它相对于现有方法的优越性。
- 高元数的 PAC 学习与可交换性
我们提出了一种高度相关的统计学习理论，其中假设是图，超图或更一般的有限关系语言中的结构，并用采样诱导的子结构代替 i.i.d. 采样，产生可交换分布。通过将高度相关的 PAC 可学习性以纯组合维度的有限性和适当的均匀收敛版本的条件来特征化， - 结构引导提示：通过探索文本的图结构，在多步推理中指导大型语言模型
我们的论文引入了结构引导提示，这是一个创新的三阶段任务无关提示框架，旨在提高大型语言模型在零样本环境下的多步推理能力。通过将非结构化文本转换为图形，指导模型在图形中导航，并使用任务特定的策略来制定响应，我们的实验表明这一框架显著增强了大型语 - AAAI图神经网络中节点属性的攻击
通过特征基对抗攻击研究了图在现代社交媒体和学术应用中所具有的复杂网络，并侧重于决策时攻击和毒化攻击，与 Net Attack 和 Meta Attack 等现有模型不同，我们的研究专门针对节点属性。利用 Hellaswag 文本数据集和 C - 可扩展的图自监督学习
通过采样节点或维度，可以降低损失计算成本，并且不会降低下游性能。
- 调整识别距离：因果结构学习中的一个 Gadjid
评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的 - 提升双仿射语义依存分析的辅助任务
使用简单的辅助任务来增加语义依存分析（SDP）性能，对英语无环数据集和法语深层语法循环图进行实验，显示了在基于 Transformer 的上下文表示的接近最新技术基线上的有限但系统性能改善，从而提供了一种简单而稳健的提高 SDP 性能的方法