- 从过拟合到稳健性：基于数量、质量和多样性的负样本选择在图对比学习中的应用
本研究提出了一种新的 Cumulative Sample Selection (CSS) 算法，将其集成到名为 NegAmplify 的图对比学习框架中，通过综合考虑负样本的质量、变化和数量来解决图对比学习范式中的过拟合问题，在九个图节点分 - IJCAISpoT-Mamba：在时空图上学习长距离依赖关系与选择状态空间
SpoT-Mamba 是一个新的 STG 预测框架，利用 Mamba 的长程依赖性来生成节点嵌入，通过节点嵌入进行时间扫描以捕捉长期的时空依赖性，并在实际交通预测数据集上展示了其有效性。
- MuseGNN：可解释且收敛的大规模图神经网络层
对于使用激活函数迭代降低能量函数的图神经网络 (GNN) 模型中的数据建模处理，本研究提出了一种基于采样的能量函数和可扩展的 GNN 层，以克服模型深度带来的挑战，并在最大的公开节点分类基准测试超过 1TB 大小的情况下，实现了较高的准确性 - DHOT-GM：使用可微层次最优输运框架的稳健图匹配
本研究提出了一种基于可微分分层最优传输（HOT）框架的新颖有效的图匹配方法，称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图，并通过加权平均匹配结果推断节点对应关系，其匹配结果是在关系矩阵之间通过 Gromov-Was - 拓扑视角解析基于 GNN 的链接预测性能
我们研究了图神经网络在链接预测中的性能变化，并提出了基于节点的拓扑浓度的度量方法，该方法与链接预测之间具有更高的相关性。我们还发现了节点的拓扑分布转移问题，并提出了一种可扩展的近似拓扑浓度度量方法。最后，我们探讨了通过重新加权消息传递中的边 - 具有可转移图自编码器的网络对齐
网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用 - DINE: 节点嵌入的维度可解释性
通过开发解释节点嵌入维度的人类可理解的解释，我们提出了一种新方法，用于改进现有的节点嵌入模型的解释性，同时保持其在链接预测方面的有效性。
- 图对比学习的可证明训练
通过提出节点紧凑度作为度量，证明了基于图对比学习在训练过程中存在不平衡问题，并推导了节点紧凑度的理论形式，提出了一种能够更好地遵循基于图对比学习原则的 PrOvable Training (POT) 方法，在多个基准测试中持续提升了现有的基 - MM基于正常学习的多尺度对比学习图异常检测
通过多尺度对比学习网络的正常模式学习构建了基于正常性学习的图异常检测框架（NLGAD），该算法相较于现有算法提高了检测性能（最多 5.89% 的 AUC 增益）。
- 使用 ARGEW 对同质图进行节点嵌入：通过图边权重增强随机游走
在本文中，我们提出了一种新颖的增强型随机游走方法 ARGEW（Augmentation of Random Walks by Graph Edge Weights），该方法通过扩展语料库，在节点嵌入中使具有较大边权重的节点更接近，从而能够更 - 从随机游走到图快跑：一个连续时间动态图上低延迟节点嵌入的框架
本研究提出了一种名为 'graph-sprints' 的通用特征提取框架，针对连续时间动态图（CTDGs）具有低延迟性和与最先进的高延迟模型相竞争的能力，并通过机器学习结合图形功能的方法，实现了优秀的性能表现。
- KDD少样本节点分类对比度元学习
本文提出了一种名为 COSMIC 的图形式的新颖对比元学习框架，并通过丰富内部类可泛化性和生成硬节点类来增强跨类可泛化性，从而使少数样本节点分类的性能得到提升。
- ICML从超图能量函数到超图神经网络
本文提出基于超图正则化能量函数的多个超图神经网络，论述了如何将最小化这些能量的结点嵌入技术，与参数化分类器结合进行端到端训练的过程，并通过实验证明了其优秀性能。
- ICML节点和图学习的费舍尔信息嵌入
本论文提出了一种新颖的基于注意力机制的节点嵌入框架，该框架使用基于节点周围子图集合的分层核，并使用一个光滑的统计流形来比较多组集合，从而明确计算与高斯混合嵌入流形的传播注意，其应用在节点分类任务上，取得了优于现有模型的效果。
- StrAE：使用显式结构对预训练嵌入进行自编码
通过开发 StrAE —— 一个自动编码框架来探索 NLP 中显式结构对于表征学习的实用性，可以在无监督的方式下利用句子结构准确地学习多层节点嵌入，并通过一系列内在和外在任务来评估所学习的嵌入。
- 分层对比学习增强异质图神经网络
本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和 - 对比图表示学习中的细粒度语义捕捉
本文提出了一种新的细粒度语义增强的图对比学习方法（FSGCL），采用基于图形的结构构造，提取具有不同语义的图形，并从模型训练的角度进一步增强对细粒度语义的利用。实验表明，相对于现有的方法，所提出的 FSGCL 方法具有更好的性能。
- ProGAP: 具有差分隐私保证的渐进式图神经网络
本文提出了一种名为 ProGAP 的新型差分隐私图神经网络，通过逐步训练的方法改善了精度和隐私之间的权衡，并使用聚合扰动技术确保差分隐私，证明了 ProGAP 在训练和推断阶段均能保证边界和节点级的隐私保证，实验结果证明 ProGAP 比现 - 异质图的属性多阶图卷积网络
本篇论文主要介绍了一种基于 AMOGCN 的异构图神经网络，该方法可以学习具有区分度的节点嵌入和关系，并能够自动地构建元路径来影响嵌入的质量，从而提高半监督分类性能。
- AAAI利用关系嵌入减少图神经网络中的过度平滑
本文提出了一种使用节点嵌入关系明确缓解图神经网络（GNNs）中超平滑问题的新方法。通过在真实数据集上进行试验，表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强，并且在更深的 GN