- NTFormer：一种用于节点分类的复合节点标记图注意力转换器
通过引入名为 Node2Par 的新型令牌生成器，NTFormer 提出了一种新的图变换器，允许从不同的角度生成有价值的令牌序列，确保对丰富的图特征进行全面表达，并在各种基准数据集上进行了广泛的实验，证明了 NTFormer 在节点分类中的 - 利用对比学习提升令牌化图变换器中节点表示
提出了一种名为 GCFormer 的新型图形变压器，该模型使用混合令牌生成器来捕捉多样性图形信息的两种类型的令牌序列，并采用定制的基于变压器的骨干结构从这些生成的令牌序列中学习有意义的节点表示。并且，GCFormer 引入了对比学习来从正负 - 有限节点标签的联邦学习
通过 FedMpa 和 FedMpae 方法，本研究在子图联邦学习中解决了缺失的跨子图边的问题，并提出了改进节点表示和节点分类的方法。
- 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。
- 基于大型语言模型的文本丰富图的分层压缩
在处理文本丰富的图结构数据中，本研究介绍了一种被称为 “Hierarchical Compression” 的新方法，通过将文本信息组织成可管理的层次结构并逐步压缩节点文本，使得大型语言模型能够更好地与文本丰富的图结构进行整合，不仅能保留文 - 增长图中的渐进学习的整体记忆多样化
本研究论文提出了一种应对日益复杂任务下增量学习的挑战的方法。通过引入全新的多样化内存选择和生成（DMSG）框架，该框架在图形学习中利用了缓冲选择和内存生成回放的策略来保证知识的一致性和概括性，进而有效地存储和利用长期记忆。实验证明了 DMS - KDD高度网络表示学习的高效拓扑感知数据增强
TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。
- 数据稀缺条件下的图挖掘
我们的研究提出了一个不确定性估计框架，可应用于任何泛化图神经网络（GNN）的基础网络上，以提高节点分类性能。该不确定性估计器模型是一个神经网络，将不确定性建模为概率分布而非离散的概率标量值。通过在 $n$ 路 $k$ 样本方式下进行训练，我 - NoisyGL: 图神经网络在标签噪声下的综合基准
本研究提出了第一个面向噪声标签下图神经网络的全面基准 NoisyGL，以允许对噪声标签下图数据上的 GLN 方法进行公平比较和详细分析，并揭示了几个在先前研究中被忽视的重要见解。
- 图上线性合并法对不确定性量化
图结构数据中对不确定性进行量化，特别是对（半监督）节点分类中的预测不确定性进行量化的问题已被解决。我们提出了一种新的方法，通过利用图拓扑提供的结构信息，用狄利克雷分布的混合物表示（认识论）不确定性，并引用线性观点汇聚的已建立原理，在邻居节点 - 图神经网络中的节点滤波：一种专家混合方法
图神经网络 (GNNs) 在各种图结构模式下的节点分类任务中已被证明非常有效。然而，现实世界的图通常展现出复杂的同构和异构模式的混合，使用统一的全局过滤器方法则不够优化。为解决这个问题，我们引入了一种新颖的 GNN 框架 Node-MoE， - 节点分类的后验标签平滑
在图结构化数据的节点分类任务中，本研究提出了一种简单但有效的软标签平滑方法，通过邻近标签分布来封装目标节点的局部上下文，提高了大多数情况下 10 个节点分类数据集的分类准确率，同时缓解了训练时的过拟合问题，提高了泛化性能。
- 具有消息传递保证的图简缩化
通过提出一种适用于粗化图的新的消息传递操作，我们在合成和真实数据上进行节点分类任务，并观察到与在粗化图上执行简单的消息传递相比，取得了改进的结果。
- 重思面向图结构数据的独立交叉熵损失
本文提出了一种新的框架，称为联合簇监督学习，用于建模每个节点与其相应簇的联合分布，通过联合损失训练图神经网络，从而明确地增强目标节点的区分能力，并且有效地保护节点分类不受敌对攻击的影响。
- 基于相似度导航的图神经网络的合规预测
Similarity-Navigated Adaptive Prediction Sets (SNAPS) 是一种基于特征相似性和结构邻域的新算法，通过聚合具有相同标签的节点的不符合性得分来提高预测集的有效性，并在保持有效覆盖的同时增加单例 - 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。
- 基于多面体抽象解释的节点扰动图卷积网络鲁棒性认证
改进了基于图的多层感知器的鲁棒性认证技术，通过多面体抽象解释方法在节点特征扰动的情况下提供 GCN 鲁棒性的上下界，并在训练过程中进一步提高 GCN 的鲁棒性。
- 图上主动学习中的不确定性
基于节点分类的不确定性采样是主动学习策略，通过迭代地获取具有最高不确定性的数据点的标签，以提高机器学习模型的数据效率。本文首次对节点分类的不确定性采样进行了全面研究，我们超越了预测不确定性来评估不确定性采样，揭示了与其他主动学习策略之间的显 - 图卷积学习：用于节点分类任务的学习欺骗
这篇论文介绍了一种新的基于观点动力学的深度图网络 Lying-GCN，在异质和同质环境中能够自适应地工作，并通过研究系统的系数矩阵的频谱特性对我们的提议进行了表征，通过对合成和真实数据集的实证证明，表明这种谎言机制可在异质设置中提高性能而不 - 为图神经网络生成稳健的反事实证人
介绍了一种新的解释结构类别，称为鲁棒反事实证人，用于提供图神经网络的稳健而反事实和事实解释。研究了 GNN 基于节点分类的这类结构，并提供了高效算法来验证和生成鲁棒反事实证人。通过对基准数据集进行实验证实了解释生成过程，并展示了它们的应用。