- 使用图对抗公平性学习公平节点表示
本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比 - AAAI结构噪声下稳健图神经网络的比较研究
该研究对不同类型的鲁棒图神经网络在结构噪声表现下进行了全面和系统的比较，并提供了鲁棒性图神经网络选择的实用建议。
- IJCAI多尺度对比孪生网络用于自监督图表示学习
本文提出了一种用于学习节点表征的自监督方法，通过改进 Siamese 自蒸馏方法和多尺度对比度学习，构建局部和全局两种视图，并采用交叉网络和交换视角两个目标，最大化不同视图和网络的节点表征之间的一致性，该方法在五个真实数据集上实验，不仅取得 - 异构图学习的混合微 / 宏级卷积
本文提出了一种新的异质图卷积方法 HGConv，它能够在不同层面上直接进行卷积操作，以学习全面的节点表示，并具有良好的可解释性。在各种任务中的实验结果表明，HGConv 不仅优于现有方法，而且对于图形分析具有直观的可解释性。
- CatGCN：具有分类节点特征的图卷积网络
论文提出一种新的 GCN 模型 CatGCN，它适用于当节点特征为分类特征时的情况。该模型在学习初始节点表示时整合了两种显式的交互模型，并使用基于邻域聚合的图卷积对初始节点表示进行了改进。实验证明，CatGCN 对半监督节点分类任务非常有效 - GraphCL: 对图形表示的对比自监督学习
本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对 - 可微分分组归一化加深图神经网络
通过引入两个过度平滑度衡量指标以及可微分的分组正规化技术（DGN），增加同一组内节点的平滑度，同时在不同组之间分离节点分布以显着减轻过度平滑的问题，使得 GNN 模型更加鲁棒，并实现更好的性能与更深层次的 GNN。
- 深度图对比表示学习
本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的 - InfiniteWalk：带有非线性的拉普拉斯嵌入的深度网络嵌入
本研究通过对窗口大小 T 趋近于无限大的情形下，对 Qiu 等人的目标函数进行简化，证明了其将 DeepWalk 与谱图嵌入联系在一起的结论，并表明非线性性质是现有方法的核心进展。
- ICLR基于记忆的图网络
本文提出了一种有效的记忆层，可以联合学习节点表示和减少图表达，进而构建基于此层的两个新图神经网络 MemGNN 和 GMN，可学习层次化图表示。实验结果表明，这些模型在九个图形分类和回归基准测试中实现了先进的结果，且表明学习到的表示可以对应 - 通过非常稀疏的随机投影快速而精确地嵌入网络
FastRP 是一种用于学习图中分散式节点表示的可扩展和高性能算法，其构建了捕捉图中传递关系的节点相似度矩阵，利用非常稀疏的随机投影进行维度缩减，并迭代计算节点嵌入，从而达到了与 DeepWalk 和 node2vec 相当甚至更好的性能。
- 自注意力网络实现的动态图表示学习
本文提出了一种能够处理动态图并学习到同时捕捉结构特征和时间演化模式的节点表示的神经网络结构，称为 Dynamic Self-Attention Network (DySAT)。实验结果表明，DySAT 在通信网络和二分等级网络上的表现比多种 - KDD有向图的节点表示学习
在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源 / 目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对 - ICLR深图信息最大化
Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。
- 利用嵌入传播学习图表示
Embedding Propagation（EP）是一种针对图结构数据的无监督学习框架，通过前向和后向信息传递计算出节点表示，具有较少的参数和良好的性能。
- 基于注意力机制的多视角网络表示学习协作框架
本文研究多视角学习节点表示，提出了一种多视图表示学习方法，促进了不同视图之间的协作，并让它们为健壮表示投票，投票过程中引入了注意机制，实验结果表明该方法优于现有的单视图和竞争的多视图网络表示学习方法。
- KDDstruc2vec：从结构标识学习节点表示
本研究介绍了一种用于学习节点结构结构标识的潜在表示的新型灵活框架 struc2vec，它使用分层来在不同尺度上测量节点相似性，并构建多层图来编码结构相似性和生成节点的结构上下文，数值实验表明其在节点表示的任务中表现优异。