- 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 - 图神经网络的距离重计算器和拓扑重构器
本文介绍了一种增强图神经网络（Graph Neural Networks）的新方法，即 Distance Recomputator 和 Topology Reconstructor。通过动态编码方案，Distance Recomputato - 协同深度图聚类网络
使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要 - ICML类别不平衡节点分类的自动损失函数搜索
我们引入了一个高性能、灵活且通用的自动损失函数搜索框架来解决节点分类中的不平衡问题。在 15 种图神经网络和数据集组合中，我们的框架相比最先进方法在性能上有显著改进；此外，我们观察到图结构数据中的同质性对所提框架的可迁移性有着显著贡献。
- 多重网络中的表示学习：信息融合的位置和方法
在本文中，我们探索在无监督或半监督方式下，针对多通道网络中的节点学习表征的问题，并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估，提出了在处理多通道网络时如何构建 GNN 架构的改进方法。
- 节点分类的低秩图对比学习
我们提出了一种新颖而稳健的图神经网络编码器，低秩图对比学习（LR-GCL），并通过低秩正则化方法进行原型对比学习训练，然后使用 LR-GCL 生成的特征进行线性传导分类算法来对图中的未标记节点进行分类。我们的方法受到图数据和标签的低频属性以 - ASWT-SGNN：自适应谱小波变换自监督图神经网络
自适应谱小波变换自我监督图神经网络（ASWT-SGNN）是一种结合了图卷积网络（GCN）和比较学习优势的自监督方法，用于学习节点表示，通过近似滤波函数和优化小波来实现灵活的邻域信息聚合和局部与全局信息之间的控制转换。
- 合作图神经网络
图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一；本文提出了一个新的框架，用于训练图神经网络，其中每个节点可以选择自己的策略，从而更灵活地探索图拓扑结构并进行学习。
- 无冗余自监督关系学习用于图聚类
提出了一种名为 R$^2$FGC 的新颖自监督深度图聚类方法，它可以从全局和局部视角提取属性和结构级别的关系信息，并通过保持增加节点之间的一致关系和减少冗余关系来学习具有判别性的嵌入表示。实验证明，R$^2$FGC 在广泛使用的基准数据集上 - 在有向带符号图中学习无社交假设的解耦表示
本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES，采用解耦框架来将每个嵌入分解成不同因素，以捕捉多个潜在因素，并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力，实验证明 DINES 在有向带符号图 - 在有向或无向图中为什么使用聚合特征或邻接列表？实证研究和简单分类方法
本研究中，我们提出了一种可以在有向和无向图中利用不同结点表示变体组合的分类方法 A2DUG，其可以在多个数据集中稳定表现，且在某些数据集中远远优于现有技术。
- ICML结构重加权改进图领域自适应
本文研究图神经网络中的图域自适应问题，提出了一种新方法叫做结构重加权，用于解决现有方法无法适应的条件结构偏移问题，并在合成图、四个基准数据集和高能物理领域的一个新应用中进行了测试，表现出了显著的性能提升。
- GCNH: 异质图上的简单表示学习方法
我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。
- GNNs 究竟学习了什么？探究其表征
本文研究了四种流行的图神经网络模型，探究了在没有节点属性可用的情况下这些模型所学习的节点表示中纯粹编码的图的哪些属性，并表明其中两个将所有节点嵌入同一特征向量中，而另外两个生成与输入图上的行走数量有关的表示。值得注意的是，在图的某一层 $k - 超越同质性的多视图图形表示学习
该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。
- WWW层级不平衡节点分类的双曲几何图嵌入学习
在图中学习不偏倚的节点表示已成为一个更为重要的研究领域，本文提出一种新型的超伽马几何不平衡层次学习框架自动实现节点分类任务的评估。
- 完整缺失的一半：通过多样化增强聚合过滤方法，增强图卷积神经网络
本篇论文提出通过增加双通道筛选器以替换传统图神经网络中的聚合操作，从而避免节点表示逐渐失去其标识并变得不可区分，最终在 9 个节点分类任务上获得了显著的表现提升。
- AAAI基于异常感知的对比对齐跨域图形异常检测
本研究提出了一种基于对比度的领域适应方法（ACT），用于解决无标签目标图中检测异常节点的问题，并在相关源图中使用标记异常和正常节点。实验结果表明，与现有方法相比，该方法显着提高了检测性能。
- 基于关系的自监督图学习
本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。
- AAAI无监督图对比学习中的结构和语义全局知识获取
本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异