- ICML量化人类对社交和导航网络的先验
这项研究利用图的组合结构来量化人类对隐含关系数据的先验知识，实验重点关注社交互动和空间导航领域，并发现推断出的先验知识具有一定的一致性和特定领域特征，从而展示了如何利用非经典的统计分析方法高效地建模数据中的潜在偏见。
- 验证关系解释：一种概率方法
通过生成对称近似的对抗性样本，我们开发了一种方法来评估 GNNExplainer 生成的解释中的不确定性，通过学习一个因子图模型来量化解释的不确定性，我们的结果表明我们的方法可以可靠地估计解释中指定关系的不确定性。
- 迈向知识图谱模式收集、分析和嵌入的网关
LiveSchema 是一个旨在利用现有的本体论和知识图谱等关系数据资源的网关，并提供了聚合其他源目录和仓库、查询、转换为概念分析矩阵以及生成模型和张量的功能。
- 在关系型数据库中为深度学习模型提供服务
为满足商业和科学领域对关系数据中深度学习模型的需求，本论文系统地探索了代表性架构，并强调了 DL-centric、UDF-centric 和 relation-centric 三种关键范式及其之间的整合需求和潜力，提出了建立新型数据库系统以 - 基于梯度的随机点积图的谱嵌入
用最新的非凸优化方法解决了 Random Dot Product Graph 的嵌入问题，并展示了其在网络表示学习中的有效性。
- 全球都是一张（超）图：一场数据戏剧
介绍了 Hyperbard 数据集，包括从莎士比亚戏剧中提取的多种关系型数据表示形式，利用该数据集可以在图学习、图挖掘和网络分析等领域进行多种表现形式的实验。利用 Hyperbard 的数据，证明了许多通用图挖掘问题的解决方案取决于表示形式 - 关系领域知识增强的神经网络
本研究介绍了一种名为 KENN 的神经符号一体化框架，其将先前的逻辑知识注入神经网络。通过增加一个残差层来修改初始预测，这种方法的优点之一是包含条款权重，这些可学习参数表示条款的强度和影响。本研究的扩展版本更适用于关系数据，并在实验中验证了 - 基于相对频率的统计关系人工智能：跨领域规模建模和转移学习的贡献
该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。
- IJCAI使用 Weisfeiler-Leman 算法进行图机器学习的实力
本文全面概述了基于 Weisfeiler-Leman 算法的机器学习及其在监督学习、图和节点分类、神经架构连接等方面的应用及未来方向。
- IJCAI统计关系模型的可投射性完整特征描述
通过利用无限可交换阵列的表示定理，介绍了一类有向图形潜变量模型，精确对应于投影关系模型，此外，还获得了关于什么时候给定大小 - k 结构上的分布是在更大的 size-n 结构中的大小 - k 子结构的统计频率分布的表征。
- 时间知识库完成的张量分解
提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。
- 迈向强壮的关系因果发现
本研究考虑了从关系型数据中学习因果关系的问题，并提出一个可靠的条件独立性测试方法，通过对关系型数据进行条件独立性测试来恢复底层因果结构，并进行实验验证。
- MM关系数据的神经网络
该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。
- HATS：用于股票走势预测的分层图注意力网络
本论文提出了一种基于图结构数据的股票市场预测方法，即分层注意力网络（HATS），该方法通过选择性地聚合不同类型的关系信息，将其添加到其每个公司的表示中，并用于预测个股价格和市场指数的走向。
- ICMLGMNN: 图马尔可夫神经网络
本研究提出了 Graph Markov Neural Network (GMNN) 模型，将统计关系学习和图神经网络的优势相结合，通过有条件随机场建模对象标签的联合分布，并利用变分 EM 算法进行有效训练，在目标分类、链接分类和无监督节点表 - 推断、学习和种群大小：SRL 模型的投影性
本文研究了命题数据和关系数据之间微妙差别，指出在许多关系模型中，边缘概率取决于人口或领域的大小，将此与统计理论中的经典概率密度函数基本概念建立联系：Projectivity 意味着关系预测对领域大小的变化具有鲁棒性，讨论了许多常见 SRL - 具有附加信息的关系数据的深度生成模型
提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。
- KDD利用邻域树的关系聚类表达差异性测量
本文介绍了一种新的关系数据相似度量，该相似度量包括属性相似度、关系上下文相似度和超图中的近邻性，并实验验证了它在不同类型数据集上聚类质量的影响，结果表明使用该相似度可以产生更好的聚类效果，优于现有的相似度测量方法。
- 多线性张量回归对于纵向关系数据的应用
本文开发了一种类型的回归模型来估计纵向和多元关系数据中成员之间的关系，该模型基于多线性张量回归模型，一种特殊情况是张量自回归模型，可以表示关系和网络数据中经常出现的模式，如互惠和传递性。
- 关于关系数据的概率模型中独立性的推理
本文在不独立于同分布的数据实例上扩展了 d 分离理论，引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式，从而实现了一种可靠、完整、高效的计算 d-separation