- 图结构化数据中的异常检测：一项调查
综述了基于图数据的异常检测技术，包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点，最后探讨了基于图结构数据的异常检测领域的未来研究方向。
- Hetero$^2$Net: 非同质图上的异质感知表示学习
利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平，在多个具有不同异质性水平的真实异质图上进行了深入研究，观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战，提出了一种新的异质图 - 曲率聚焦：用于图形表示学习的混合曲率 Transformer
我们提出了一种基于全曲率空间的完全产品百叶窗变换器，结合了 tokenized 图变压器，通过端到端的方式学习适合输入图的曲率，以及一种核化的非欧几里得注意方法，实现了线性时间和内存成本与节点和边的数量成线性关系的模型在非欧几里得域的功能扩 - ICML寻找缺失的一半：图补充学习用于同质和异质图
本文提出了 Graph cOmplementAry Learning（GOAL）方法，包括两个组件：图互补和互补图卷积，以解决现有 GNN 仅在训练时考虑原始图的问题，实现了对同质和异质性度量进行无差别的图卷积，该方法在八个真实数据集上表现 - 利用统计方法在具有有限可见性的复杂网络中进行影响最大化
该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图，并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明，该方法在现实世界的网络图上具有高效性。
- KDD从顶点邻居中挖掘具有质量保证的大型拟团
本文探讨了通过扫描顶点邻域，计算每个顶点的聚类系数并输出最佳子图来提取大的准簇的简单方法，证明了现实世界图的两个重要特征意味着存在具有高边密度的大型顶点邻域。这种方法的实现需要对图中的三角形进行计数，这在图挖掘中是一个被深入研究的问题。经过 - KDD稳健图神经网络的图结构学习
本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。
- 保持简单：无需图卷积网络的图自编码器
本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示，并通过实验证明在多个现实世界的图中，如 Cora、Citeseer 和 Pubmed 引文网络上，其表现与基于 GCN 的模型相当，这结果对于评估复杂图自动编 - 解决实际大规模图中的最大权独立集问题
本文提出了一种新的最大权独立集问题分支和缩减策略，结合核心化与局部搜索能够比局部搜索单独得出更高质量的解，通过实验表明，在实践中这种方法比现有的算法更加有效，可以处理高达数百万个顶点和边的实际问题。
- 多维图卷积网络
本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。
- 图形概括方法和应用：一项调查
本文是对图数据总结的最新方法进行系统的概述研究，主要讨论了输入图形的类型，核心方法以及在真实世界中的应用，并描述了该领域的一些未解决的问题。
- 大规模稀疏现实世界图中列出所有极大团
我们实现了一种新算法来列举稀疏图中所有的极大团，并在大量的真实世界图形语料库上分析了其性能。我们的分析表明，该算法是第一个为列举大型稀疏图中所有极大团提供实用解决方案的算法。
- 现实世界” 图的谱：超越半圆定律
通过先进的算法，研究人员开发了新方法，以确定与实际网络模型对应的邻接矩阵的特征值，并发现了有趣的结果，指出相关图的频谱代表了分类图的实用工具，并可提供有关实际网络的相关结构特性的有用见解。
- 任意度分布的随机图及其应用
本文研究了任意度数分布的随机图的理论，并且将其应用到真实世界的图形中进行验证，结果显示在有些情况下预测得很准确，而在另一些情况下与现实存在明显差异，表明随机图并没有完全捕捉到网络中的社会结构。