- 面对变化：不断迭代的实体对齐技术应用于知识图谱
本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。
- InducT-GCN: 用于文本分类的归纳式图卷积网络
本研究提出了一种新颖的归纳图卷积网络框架 InducT-GCN（InducTive Graph Convolutional Networks for Text classification），用于无额外资源和有限训练数据情况下的归纳图文本分 - 从原始数据学习答集程序的神经符号学习
本文介绍了一种名为 NSIL 的神经符号归纳学习方法，通过训练一个通用神经网络，从原始数据中提取潜在的概念，同时学习映射潜在概念与目标标签的符号知识，从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL，包括 NP 完全问 - 利用邻域一致性进行含噪标签学习
该研究介绍了一种利用特征空间中训练样例的相似性，鼓励每个样例预测与其最近邻居相似的学习方法，用于从带有噪声标签的数据中学习，并且在多个数据集上展现出良好的分类精度。
- 实时克里金插值的空间聚合和时间卷积网络
SATCN 是一种通用且灵活的框架，它使用空间聚合网络和时间卷积网络进行时空克里金插值，可以适用于各种不同类型的时空数据集，并能够相对传统方法以及基于 GNN 的克里金模型更加优越。
- 使用图自编码器进行归纳矩阵补全
提出了一种针对缺失数据的归纳矩阵补全方法，通过图自编码器学习用户（或物品）的具体表示和局部图模式来实现个性化推荐。实验表明该模型在多个矩阵补全基准测试中均达到了最先进的性能水平。
- ICCV联合归纳和传递学习的视频物体分割
本文提出了一种结合转导学习和归纳学习的框架，以准确和稳健地进行半监督视频对象分割，其中转导分支采用轻量级 Transformer 架构来聚合富有时空特征，而归纳分支则执行在线归纳学习以获取有区别的目标信息。
- IJCAI远程学习：重新思考有限监督下的广义零样本学习
本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。
- BERT 的归纳关系预测
本文提出了一种名为 BERTRL 的解决方案，该方案使用预训练语言模型和 fine-tuning，通过将关系实例及其可能的推理路径作为训练样本，支持归纳学习并在 15 个应用中超越现有技术。
- WWWRetaGNN：面向全局的序列推荐关系时间注意力图神经网络
本文提出了基于关系注意力图神经网络（RetaGNN）的综合顺序推荐模型，该模型具有归纳、可传递的特点，并针对不同关系间进行训练，在长短期间使用顺序自注意机制对用户偏好进行编码，同时使用关系感知正则化项来更好地训练。在 MovieLens，I - HyperSAGE: 超图归纳表示学习的通用化
本文介绍了 HyperSAGE，这是一种新的超图学习框架，它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播，并比基准数据集上的现有方法表现更好，具有更高的表达能力和更稳定的节点表示。
- 基于归纳学习的常识知识图谱补全
本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图 - ICML面向开放世界推荐：一种基于归纳模型的协同过滤方法
本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下 - AAAI感知图神经网络用于时空 Kriging
本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK)，用于在网络 / 图结构上恢复未采样位置 / 传感器的数据，实现了局部信息的传递和学习。利用动态邻接矩阵进行培训，最终在多个真实数据集上表现出较好的预测效果，这些研究结果表明：1 - ACL每个文档都有其结构：通过图神经网络进行归纳文本分类
本文介绍了一种基于图神经网络的新方法 TextING，可用于词嵌入和归纳文本分类，并在四个基准数据集上进行了实验，取得了超过现有文本分类方法的优异成果。
- 关于位置节点嵌入和结构化图表示之间的等价性
该研究提出了第一个统一的理论框架，将节点嵌入和结构图表示相结合，通过不变量理论证明了结构表示和节点嵌入之间的关系，证明了能够使用节点嵌入执行的所有任务也都可以通过结构表示执行，并且介绍了新的指南来生成和使用节点嵌入，修复了现有标准操作程序的 - ICCVDensePoint: 学习高密度环境下的点云表示，为高效的点云处理提供支持
提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时 - ICLRGraphSAINT: 基于图随机抽样的归纳学习方法
GraphSAINT 是一种基于图采样的归纳学习方法，通过采样训练图形而不是节点或边来构建小批量，以提高训练效率和准确性；在五个大图上表现出优越的性能，实现了 PPI（0.995）和 Reddit（0.970）的新的最先进的 F1 分数。
- IJCAI推广规划的可靠抽象保证 (扩展论文)
本研究针对广义规划中的归纳学习过程中模型广化限制的问题，提出基于全量数据的抽象模型和自动化合成方法，并形式化证明了其可行性和正确性。
- 图注意力自编码器
本文提出了一种名为 GATE 的神经网络结构，用于对图结构数据进行无监督表示学习，结合了自我注意机制，通过编码器 / 解码器层实现图结构输入和节点属性的重构，定量地评估在许多节点分类基准数据集上的表现。