- 无需 GNN 的图节点分类
不需要训练或测试过程中使用图神经网络的全新节点分类方法，通过平滑性约束、伪标记迭代和邻域标签直方图的三个关键组成部分，可以在标准流行基准测试中达到业界最先进的准确性，如引文和共购买网络。
- 基于相似度的图形相邻点选择
使用基于相似性的邻居选择 (SNS) 方法，通过对语言学习模型 (LLMs) 进行简单提示交互，SNS 在节点分类中展现了优越的性能，并且在图结构理解方面显示出 LLMs 的潜力。
- DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络
通过解耦特征和图信息，提出了一种新的图神经网络框架（Decoupled Graph Neural Networks，DGNN），以获得更全面的节点嵌入表示，并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。
- 强传递关系与图神经网络
本研究通过扩展相似性的概念，从邻近社区延伸到整个图形，并引入了基于传递性关系的相似性扩展，使得图神经网络能够捕捉整个图形上的全局相似性和局部相似性。我们提出了 Transitivity Graph Neural Network（TransG - 节点分类任务中的基于无标签图的后门攻击方法
传统图神经网络领域中的后门攻击因混淆的标签而容易被检测，为了探索图神经网络的后门漏洞并创建更隐秘的后门攻击方法，本文提出了一种基于无干扰节点分类任务的干净标签图后门攻击方法（CGBA）。与已有的后门攻击方法不同，CGBA 既不需要修改节点标 - 基于可解释性的图形边缘扰动对抗攻击
研究了图神经网络在测试时间遭受对抗攻击的影响，通过边扰动进行节点之间的重要性识别和边的改变，发现在节点分类中引入不同类别节点之间的边相比于移除同一类别节点之间的边具有更大的影响。
- AAAI追求图中的公平性：基于 GNN 架构的视角
通过提出一种新的图神经网络架构，即 FMP，该研究旨在通过在模型架构层面实现公平性，解决 GNN 在公平性性能方面相对较差的问题。实验表明，所提出的 FMP 在三个真实世界的数据集上，在公平性和准确性方面优于几种基准方法。
- 超图多层感知机：无需消息传递的超图学习
通过将关于超图结构的信息整合到训练监督中，我们提出了一种新的学习框架 Hypergraph-MLP，它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型，在超图节点分类任务中表现出与现有基线相比具有竞争力的性能，并且在推理时更快且更 - AAAI课程增强的残差软异性规范化：对深度图神经网络中的过度平滑问题
通过图神经网络在处理各种与图相关的下游任务中显著提升的性能，本文分析了其在浅层模型中的限制因素，提出了一种软图归一化方法以解决过度平滑和优化困难等问题。同时，基于课程学习的启示，提出了一种基于标签平滑的学习框架，通过逐渐平滑标签和构建逐渐复 - 自环悖论：自环对图神经网络的影响研究
图神经网络中的自环与信息的回流存在自环悖论，这可以在特定的图神经网络结构中通过解析方法进行验证，并在合成节点分类任务和 23 个实际图中进行实验验证。
- 图上的强弱专家混合
通过混合弱和强专家的方式，使用基于多层感知器（MLP）的轻量级专家来处理节点的自我特征和领域的信息结构，其中根据弱专家预测的置信度来条件激活强专家，以实现节点分类的准确性提升。
- 架构的重要性：揭示图对比学习中的隐式机制
通过对图对比学习方法进行系统研究，我们发现了图对比学习方法中与视觉对比学习方法不同的一些共同现象，包括正样本对于图分类和采用特定归一化模块进行节点分类时并不是必需的，而且数据增强对于图对比学习的影响较小。通过揭示图神经网络的内在归纳偏差是如 - VIGraph：自监督学习用于类别不平衡节点分类
本文分析了基于 SMOTE 方法的局限性，提出了基于自监督学习的 VIGraph 模型，该模型利用变分图自动编码器（VGAE）进行生成。VIGraph 在构建不平衡图时严格遵循不平衡的概念，并使用新的 Siamese 对比策略来改善生成节点 - 基于结构感知图学习的正无标签节点分类
本文提出了一种利用图结构进行正样本 - 未标记样本节点分类的方法，通过引入图中的同类偏执（homophily）来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。理论分析表明，最小化所提出的损失函数也同时最小化了期望损失，可适 - 本地差别隐私图嵌入
本研究提出了一种名为 LDP-GE 的隐私保护图嵌入框架，通过局部差分隐私机制对节点数据进行模糊处理，并采用个性化 PageRank 作为节点表示的相似度度量，理论分析和实验证明 LDP-GE 在节点分类和链接预测任务中具有良好的隐私和效用 - 基于采样的图神经网络的局部图极限视角
我们提出了一种用于训练大型输入图的图神经网络（GNNs）的理论框架，通过在小型固定大小的采样子图上进行训练。在渐进理论的基础上，我们证明了在渐进意义下，通过在大型输入图的小样本上训练基于采样的 GNNs 所学习到的参数在 ε- 邻域内与在整 - 偏置节点分类的因果性和独立性增强
针对节点分类中的离群分布泛化问题以及数据偏差的挑战，本文提出了一种称为 Causality and Independence Enhancement (CIE) 的框架，可以应用于各种图神经网络，通过消除不同类型的数据偏差，提高分类性能，并 - 基于异质性的图神经网络用于不平衡分类
在这篇论文中，我们介绍了一种独特的方法，通过考虑图异质性来解决图中的不平衡分类问题。我们研究了类别不平衡和图异质性之间的错综复杂关系，发现少数类别不仅样本稀缺，而且表现出较低的同质性水平，这导致错误信息在相邻节点之间传播。基于这一洞察，我们 - 原型增强的超图学习用于异构信息网络
本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构 - 通过边异构图神经网络来改进文章分类
将研究成果分类为特定上下文的标签分类体系是一项具有挑战性且相关的下游任务，该论文提出了一种方法，通过使用边异构图来增强简单的图神经网络（GNN）管道的性能，实验证明边异构图能够提高 GNN 模型的性能，这项研究有望在节点分级分类方面提供性能