Metapath- and Entity-aware Graph Neural Network for Recommendation
Technische Universität München（慕尼黑工业大学）；Mercateo（Mercateo公司）；fortiss GmbH（fortiss有限公司）；Ludwig-Maximilians-University（慕尼黑大学）
在图神经网络（GNNs）中，消息传递迭代地聚合来自其直接邻居的节点信息，而忽略了多跳节点连接的顺序性质。这种顺序节点连接例如，metapaths，捕获下游任务的关键见解。具体地说，在推荐系统（RS）中，忽视这些见解会导致协作信号的不充分蒸馏。在本文中，我们采用协作子图（CSG）和元路径，形成元路径感知的子图，明确捕捉图结构中的顺序语义。我们提出了Meta \textbf{P}路径和\textbf{E}实体- \textbf{A} ware \textbf{G}和\textbf{N} eural \textbf{N} etwork（PEAGNN），它训练多层GNN在这样的子图上执行元路径感知的信息聚合。然后使用注意力机制融合来自不同元路径的聚合信息。最后，PEAGNN给出了节点和子图的表示，可以用来训练MLP来预测目标用户-项目对的得分。为了利用CSG的局部结构，我们提出了实体意识，作为节点嵌入的对比正则化。此外，PEAGNN可以与GAT，GCN和GraphSage等突出层相结合。我们的实证评估表明，我们提出的技术优于竞争基准的几个数据集的推荐任务。进一步的分析表明，PEAGNN还可以从给定的元路径集合中学习有意义的元路径组合。
2021-04-02 cs.AI cs.LG
MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
MetaSieve是一种基于SQL的元路径选择层，可剪枝关系深度学习中无信息的元路径，在多种GNN架构上能大幅缩短训练时间并维持或提升准确性。
2026-08-27 cs.DB cs.LG
Link Prediction Based on Graph Neural Networks
Washington University in St. Louis（圣路易斯华盛顿大学）
链接预测是网络结构化数据的一个关键问题。链接预测算法使用一些评分函数，如公共邻居和Katz指数，来衡量链接的可能性。由于它们的简单性、可解释性和可扩展性，它们已经获得了广泛的实际用途。然而，每一种启发式算法都对两个节点何时可能链接有很强的假设，这限制了它们在这些假设失败的网络上的有效性。在这方面，更合理的方法应该是从给定的网络中学习合适的启发式，而不是使用预定义的启发式。通过提取每个目标链接周围的局部子图，我们的目标是学习将子图模式映射到链接存在的函数，从而自动学习适合当前网络的“启发式”。在本文中，我们研究这种启发式学习范式的链接预测。首先，我们发展了一个新的$γ$ -衰减启发式理论。该理论将大量的拓扑图统一在一个框架中，并证明了所有这些拓扑图都可以从局部子图中得到很好的近似。我们的研究结果表明，局部子图保留丰富的信息有关的链接存在。其次，基于$γ$ -衰减理论，我们提出了一种新的算法，利用图神经网络（GNN）从局部子图中学习算法。它的实验结果显示出前所未有的性能，在广泛的问题上一直工作得很好。
2018-11-20 cs.LG stat.ML
Personalized Subgraph Federated Learning with Sheaf Collaboration
School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电子工程学院，南洋理工大学，新加坡）
本文提出FedSheafHN框架，通过层束协作机制将客户端局部子图嵌入协作图并利用超网络生成个性化模型，以解决子图联邦学习中的客户端异质性问题，实验表明其在多个图数据集上优于现有方法且收敛更快、泛化能力更强。
2025-08-19 cs.LG
Subgraph Federated Learning with Missing Neighbor Generation
Emory University（埃默里大学）；University of Hong Kong（香港大学）；University of British Columbia（不列颠哥伦比亚大学）；Lehigh University（理海大学）
图由于其对现实世界对象及其相互作用的独特表示而被广泛应用于数据采掘和机器学习中。随着图变得越来越大，通常会看到它们的子图被单独收集并存储在多个本地系统中。因此，考虑子图联邦学习设置是很自然的，其中每个局部系统都持有可能偏离整个图的分布的小的子图。因此，子图联邦学习的目标是协作训练一个强大的和可推广的图挖掘模型，而不直接共享他们的图数据。在这项工作中，针对子图联邦学习的新颖而现实的设置，我们提出了两种主要技术：（1）FedSage，它基于FedAvg训练GraphSage模型，以集成多个局部子图上的节点特征，链接结构和任务标签;（2）FedSage+，它沿着FedSage训练缺失邻居生成器，以处理局部子图上的缺失链接。四个真实世界的图数据集与合成子图联邦学习设置的实证结果表明，我们提出的技术的有效性和效率。同时，对它们在全局图上的推广能力给出了一致的理论暗示。
2021-11-06 cs.LG cs.SI
Hyperbolic Graph Neural Networks at Scale: A Meta Learning Approach
Virginia Tech（弗吉尼亚理工大学）；Microsoft（微软）
本文提出双曲图元学习器 H-GRAM，通过从局部子图学习可迁移的双曲元梯度和标签质子网络，解决双曲图神经网络缺乏归纳偏置及难以扩展的问题，在少样本节点分类和链接预测中优于现有方法并支持大规模图数据。
2023-10-29 cs.LG cs.SI
Local Fragments, Global Gains: Subgraph Counting using Graph Neural Networks
Indian Institute of Technology Gandhinagar（印度理工学院冈德辛加尔）
本文提出局部k-WL算法和碎片技术，利用图神经网络提高子图计数的表达能力和效率，并展示其在复杂模式计数中的应用。
2025-11-30 cs.DS cs.LG
FedGT: Federated Node Classification with Scalable Graph Transformer
University of Science and Technology of China（中国科学技术大学）；Hong Kong University of Science and Technology（香港科技大学）
针对子图联邦学习中存在的跨子图连接缺失、子图异质性问题，本文提出可扩展的FedGT框架，通过混合注意力机制、基于最优传输的个性化聚合及本地差分隐私，在多数据集上实现了更优的节点分类性能。
2024-01-26 cs.LG
Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation
University of Virginia（弗吉尼亚大学）
针对少样本知识图谱关系推理中现有边掩码方法信息提取不足、易受虚假信息干扰的问题，提出基于子图适配的SAFER框架，可全面提取支持三元组信息并降低干扰，在三个主流数据集上表现更优。
2024-06-19 cs.CL cs.LG
Union Subgraph Neural Networks
Nanyang Technological University（南洋理工大学）
图神经网络（GNNs）被广泛应用于图的表示学习。vanilla GNN的表达能力通过1维Weisfeiler-Leman（1-WL）测试而有上限，因为它们通过迭代消息传递对有根子树进行操作。在本文中，我们通过注入从一种新型子结构中提取的相邻连接信息来增强GNN。我们首先调查不同种类的连通性存在于一个局部邻域，并确定一个子结构称为联盟子图，这是能够捕捉到完整的图片的1跳邻域的边缘。然后，我们设计了一个基于最短路径的子结构描述子，它具有三个很好的性质，可以有效地编码在并集子图的高阶连通性。通过注入编码的邻居连通性，我们提出了一种新的模型，即Union Subgraph神经网络（UnionSNN），它被证明是严格更强大的1-WL在区分非同构图。此外，来自并集子图的本地编码也可以作为插件注入到任意消息传递神经网络（MPNN）和基于Transformer的模型中。在图级和节点级任务的18个基准上进行的大量实验表明，UnionSNN的性能优于最先进的基线模型，具有竞争力的计算效率。将我们的本地编码注入现有模型能够将性能提高高达11.09%。我们的代码可在https://github.com/AngusMonroe/UnionSNN上获得。
2024-01-09 cs.LG
Deep Efficient Private Neighbor Generation for Subgraph Federated Learning
ClusterTech Limited（集群科技有限公司）；Lehigh University（理海大学）；Alibaba Group（阿里巴巴集团）；The University of Hong Kong（香港大学）；Emory University（埃默里大学）
针对子图联邦学习中跨子图邻居缺失及现有方法在效用、效率和隐私上的局限，本文提出 FedDEP，通过深度邻居生成、嵌入原型化伪联邦和无噪声边局部差分隐私实现高效私有保护。
2024-01-19 cs.AI cs.CR cs.LG
Paths to Causality: Finding Informative Subgraphs Within Knowledge Graphs for Knowledge-Based Causal Discovery
Fujitsu Limited（富士通有限公司）
针对现有基于大语言模型的知识型因果发现结果不稳定的问题，提出结合知识图谱与大语言模型的方法，通过识别并排序知识图谱中的元路径信息性子图融入零样本提示，在多数据集上F1分数最高提升44.4分。
2025-06-10 cs.AI cs.CL cs.IR
SSHPool: The Separated Subgraph-based Hierarchical Pooling
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；School of Information, Central University of Finance and Economics（中央财经大学信息学院）；Zhejiang Normal University（浙江师范大学）；School of Cyber Science and Technology, Sun Yat-Sen University（中山大学网络空间安全学院）；School of Computer and Information Technology, Shanxi University（山西大学计算机与信息技术学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of York（约克大学）
针对图分类任务，提出基于分离子图的分层池化方法SSHPool，通过簇分离子图+局部卷积压缩避免GNN过平滑，可分层提取全局结构特征，搭配端到端框架在真实数据集上取得更优性能。
2024-08-13 cs.AI cs.LG
Linear-Time Non-Local Codec Placement for Machine Learning Model Compression
Axelera AI（阿克塞勒拉人工智能公司）
该研究提出一种线性时间算法，将编解码器算子放置到源计算图以适配目标硬件，通过绝对支配节点确定编解码器位置，在四个模型上使操作数流量降低24%-44%，提升了模型压缩的流量增益。
2026-10-14 cs.LG
FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning
Sun Yat-sen University（中山大学）；Beijing Institute of Technology（北京理工大学）
针对子图联邦学习中子图异质性导致全局图神经网络性能受损的问题，提出拓扑感知无数据知识蒸馏技术FedTAD，通过解耦节点与拓扑变化增强可靠知识转移，在六个数据集上优于基线方法。
2024-04-25 cs.AI cs.DB cs.LG
RECS: Robust Graph Embedding Using Connection Subgraphs
State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；University of California Riverside（加州大学河滨分校）；University of Michigan（密歇根大学）
图嵌入或节点表示学习在各种下游任务中的成功，例如节点分类，链接预测和推荐系统，导致它们近年来的流行。表示学习算法旨在通过识别节点邻域概念来保持局部和全局网络结构。然而，许多现有算法生成的嵌入不能正确地保持网络结构，或者由于随机过程（例如，随机游走以生成上下文），并且因此不能生成多图问题。在本文中，我们提出了RECS，一个新的，稳定的图嵌入算法框架。RECS通过将图与电路进行类比，使用连接子图来学习图表示。它保留了局部和全局连接模式，并解决了高度节点的问题。此外，它还利用了基线所忽略的弱关系和元数据的优势。实验结果表明，RECS在多标签分类问题上的性能比现有算法提高了36.85%。此外，与基线相比，RECS具有确定性，是完全稳定的。
2018-09-05 cs.AI cs.LG cs.SI
Translating Subgraphs to Nodes Makes Simple GNNs Strong and Efficient for Subgraph Representation Learning
School of Computing, KAIST（韩国科学技术院计算机学院）
提出子图到节点（S2N）翻译方法，将子图转化为节点构建新图，降低内存与计算成本，捕获局部与全局结构，在八个基准上处理样本量提升183-711倍且性能更优。
2024-05-23 cs.AI cs.LG cs.SI
Generative Subgraph Contrast for Self-Supervised Graph Representation Learning
Nanjing University of Science and Technology（南京理工大学）
对比学习在图表示学习领域显示出巨大的潜力。大多数图对比学习方法通过人工构造正/负样本，依赖于基于向量内积的相似性度量来区分用于图表示的样本。然而，手工制作的样品结构（例如，图的节点或边上的扰动）可能不能有效地捕获图的固有局部结构。另外，基于向量内积的相似性度量不能充分利用图的局部结构来表征图的差异。为此，在本文中，我们提出了一种新的自适应子图生成的对比学习框架，高效和强大的自监督图表示学习，和最佳的传输距离被用作子图之间的相似性度量。该方法的目标是通过捕捉图的内在结构来生成对比样本，同时根据子图的特征和结构来区分样本。具体来说，对于每个中心节点，通过自适应学习的关系权重的节点的相应的邻域，我们首先开发一个网络来生成插值子图。然后，我们从相同和不同的节点，分别构造的积极和消极对的子图。最后，我们采用两种类型的最佳运输距离（即，Wasserstein距离和Gromov-Wasserstein距离）来构建结构化对比损失。在基准数据集上的大量节点分类实验验证了我们的图对比学习方法的有效性。
2022-07-26 cs.AI cs.LG
Modeling Inter-Intra Heterogeneity for Graph Federated Learning
Nanjing University of Science and Technology（南京理工大学）；RIKEN（理化学研究所）；Beihang University（北京航空航天大学）；Jinan University（暨南大学）；Shanghai Jiao Tong University（上海交通大学）
针对图联邦学习中的间-内异质性，提出FedIIH方法，通过分层变分模型刻画子图间分布相似性并解耦子图内潜在因子，在多个数据集上显著优于现有方法。
2024-12-16 cs.LG
Local Structure-aware Graph Contrastive Representation Learning
Yangzhou University（扬州大学）；University of Shanghai for Science and Technology（上海理工大学）
本文提出局部结构感知的图对比表示学习方法LS-GCL，通过构建语义子图并结合局部与全局视角的多级对比学习，在节点分类和链路预测任务上取得优于现有方法的性能。
2023-08-07 cs.AI cs.LG
LSPI: Heterogeneous Graph Neural Network Classification Aggregation Algorithm Based on Size Neighbor Path Identification
College of Mathematics and Systems Science, Shandong University of Science and Technology（山东科技大学数学与系统科学学院）
针对异构图神经网络忽略元路径属性及大邻居路径噪声干扰问题，提出LSPI算法，通过路径判别器划分大小邻居路径并过滤噪声，利用子图级注意力融合特征生成节点嵌入，显著提升了模型性能。
2024-05-31 cs.LG
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning
Renmin University of China（中国人民大学）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出原子与子图感知双向聚合模型（ASBA），通过结合原子级和子图级信息并采用分解-聚合GNN架构及自监督学习策略，提升了分子性质预测的全面性与泛化能力。
2023-05-22 cs.AI cs.LG q-bio.QM
Subgraph Federated Learning for Local Generalization
KAIST（韩国科学技术院）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Emory University（埃默里大学）
针对图联邦学习中因图数据可变性和新节点引入导致的局部过拟合问题，提出FedLoG方法，通过凝练跨客户端类别表征与结构信息生成全局合成数据，有效提升局部模型对未知数据的泛化能力。
2025-03-06 cs.AI cs.LG
Global Graph Counterfactual Explanation: A Subgraph Mapping Approach
University of Virginia（弗吉尼亚大学）；Case Western Reserve University（凯斯西储大学）；JP Morgan Chase & Co.（摩根大通公司）；University of Georgia（佐治亚大学）
针对局部图反事实解释信息过载、忽视跨图关系的问题，提出GlobalGCE，通过学习子图映射规则生成全局反事实解释，并设计生成器与自编码器提升规则生成效果。
2024-10-25 cs.LG
Personalized Subgraph Federated Learning with Differentiable Auxiliary Projections
Nanyang Technological University（南洋理工大学）；Shenzhen MSU-BIT University（深圳MSU-BIT大学）
针对子图联邦学习中的非IID问题，提出FedAux框架，通过可学习APV、软排序与一维卷积刻画客户端特征，并由服务器相似度加权聚合模型，理论与实验均验证其优势。
2025-09-30 cs.AI cs.LG
Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data
The Hong Kong Polytechnic University（香港理工大学）；Xiamen University（厦门大学）
本文提出多视图子图神经网络Muse，通过信息论机制从输入空间和潜在空间识别局部结构与长程依赖子图，以自监督方式缓解标注数据稀缺问题，提升节点分类性能。
2024-04-19 cs.AI cs.LG
SUGAR: Efficient Subgraph-level Training via Resource-aware Graph Partitioning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
图神经网络（GNN）在各种基于图的应用中表现出巨大的潜力，例如推荐系统，药物发现和对象识别。然而，资源高效的GNN学习是一个很少探索的话题，尽管它对边缘计算和物联网（IoT）应用有很多好处。为了改善这种状况，这项工作提出了通过资源感知图分区（SUGAR）进行有效的子图级训练。SUGAR首先将初始图划分为一组不相交的子图，然后在子图级别进行局部训练。我们提供了一个理论分析，并进行了广泛的实验，五个图基准，以验证其在实践中的有效性。我们的研究结果表明，SUGAR可以实现高达33倍的运行时加速和3.8倍的内存减少大规模的图形。我们相信SUGAR开辟了一个新的研究方向，开发资源高效的GNN方法，因此适合物联网部署。
2022-02-16 cs.AI cs.LG
Deep Graph Neural Networks with Shallow Subgraph Samplers
虽然图神经网络（GNN）是学习图表示的强大模型，但大多数最先进的模型在两到三层之外没有显着的准确性增益。深度GNN从根本上需要解决：1）。过度平滑导致的表现力挑战，以及2）。由于邻域爆炸的计算挑战。我们提出了一个简单的“深GNN，浅采样器”的设计原则，以提高GNN的准确性和效率-生成目标节点的表示，我们使用深GNN仅在浅，局部化的子图中传递消息。适当采样的子图可以排除不相关甚至噪声节点，并且仍然保留关键的邻居特征和图结构。然后，深度GNN平滑信息丰富的局部信号以增强特征学习，而不是将全局图信号过度平滑为“白噪声”。我们从理论上证明了为什么深度GNN与浅采样器的组合会产生最佳的学习性能。然后，我们提出了各种采样算法和神经架构扩展，以实现良好的实证结果。在最大的公共图数据集ogbn-papers 100 M上，我们实现了最先进的精度，硬件成本降低了一个数量级。
2022-03-23 cs.LG
SLogic: Subgraph-Informed Logical Rule Learning for Knowledge Graph Completion
Department of Computer Science（计算机科学系）；New Mexico State University（新墨西哥州立大学）
SLogic通过子图指导的逻辑规则学习方法，在知识图谱补全中实现更精准的规则权重分配和可解释的推理规则生成。
2026-11-04 cs.AI cs.LG
MoSE: Unveiling Structural Patterns in Graphs via Mixture of Subgraph Experts
Nanyang Technological University（南洋理工大学）
针对GNN捕获高阶子图模式能力不足的问题，本文提出MoSE框架，通过匿名游走提取子图并动态路由至专家，增强灵活性与可解释性，理论证明其表达力强于SWL，实验验证其性能优于基线。
2025-09-11 cs.AI cs.LG
subgraph2vec: Learning Distributed Representations of Rooted Sub-graphs from Large Graphs
Nanyang Technological University（南洋理工大学）；BigCommerce
在本文中，我们提出了subgraph 2 vec，这是一种受深度学习和图核的最新进展启发，从大型图中学习有根子图的潜在表示的新方法。这些潜在表示在连续向量空间中对语义子结构依赖性进行编码，这很容易被统计模型用于诸如图分类、聚类、链接预测和社区发现之类的任务。subgraph 2 vec利用从节点邻域获得的本地信息，以无监督的方式学习它们的潜在表示。我们证明，通过我们的方法学习的子图向量可以与分类器（如CNN，SVM和关系数据聚类算法）结合使用，以实现显着优越的准确性。此外，我们表明，子图向量可用于构建Weisfeiler-Lehman图内核的深度学习变体。我们在几个基准和大规模真实世界数据集上的实验表明，subgraph 2 vec在监督和无监督学习任务上的准确性都比现有的图核有显着提高。具体来说，在两个现实世界的程序分析任务上，即代码克隆和恶意软件检测，subgraph 2 vec分别比最先进的内核高出17%和4%以上。
2016-06-29 cs.AI cs.CR cs.LG
Autobahn: Automorphism-based Graph Neural Nets
Flatiron Institute（弗莱顿研究所）；New York University（纽约大学）；University of Chicago（芝加哥大学）
我们介绍了基于自同构的图神经网络（Autobahn），一个新的家庭的图神经网络。在一个高速公路，我们分解成一个子图的集合图，并应用局部卷积是等变的每个子图的自同构群。局部邻域和子图的特定选择恢复了现有的架构，例如消息传递神经网络。我们的形式主义还包括新颖的架构：作为一个例子，我们引入了一个图神经网络，它将图分解为路径和循环。由此产生的卷积反映了部分图可以变换的自然方式，保留了卷积的直观含义，而不会牺牲全局置换等方差。我们验证了我们的方法，应用Autobahn分子图，在那里它实现了竞争的结果与国家的最先进的消息传递算法。
2022-02-03 cs.LG
Unlearning on Spatio-Temporal Graphs through Subgraph Virtual Edge Reconstruction
Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；Delft University of Technology（代尔夫特理工大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Biogen（渤健公司）
针对时空图节点遗忘效率低的问题，提出受胼胝体启发的CallosumNet框架，通过子图虚拟边重构和元图集成层实现高效完全遗忘，在四个数据集上保持高准确率。
2026-09-01 cs.CR cs.LG
RISE: Radius of Influence based Subgraph Extraction for 3D Molecular Graph Explanation
Stony Brook University（石溪大学）
本文提出RISE方法，通过为3D GNN中每个节点分配影响半径并提取局部子图，提升分子图模型的可解释性，使其更符合3D空间中的物理与结构依赖关系。
2025-05-04 cs.AI cs.LG q-bio.QM
Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation
Vanderbilt University（范德堡大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Information Technology University（信息技术大学）
提出ESGEA方法，利用局部子图拓扑的谱图嵌入生成拓扑感知节点特征，增强缺失或不可靠的节点信息，兼容任意GNN架构，在图与节点分类任务中显著提升性能。
2023-10-10 cs.LG cs.SI
Differentially Private Range Subgraph Counting
School of Computer Science and Technology, University of Science and Technology of China（计算机科学与技术学院，中国科学技术大学）
针对子图计数中的隐私问题，提出差分隐私范围子图计数（DPRSC）问题，通过子图投影将其转化为加权正交范围计数，结合范围树和局部敏感度估计实现低误差隐私查询，并证明误差下界与维度指数相关。
2026-06-06 cs.CR cs.DS cs.LG
Meta-Learning Based Few-Shot Graph-Level Anomaly Detection
School of New Media and Communication（新媒体与传播学院）；Tianjin University（天津大学）；College of Intelligence（智能学院）
提出基于元学习的少样本图级异常检测框架MA-GAD，通过图压缩和元学习提取元异常信息，提升异常检测性能，在生物化学数据集上优于现有方法。
2025-10-09 cs.AI cs.LG
Curriculum Guided Personalized Subgraph Federated Learning
Sungkyunkwan University（首尔国立大学）
本文提出CUFL框架，通过课程学习逐步暴露GNN于易到难的子结构，缓解数据异质性和过拟合问题，提升联邦学习效果。
2025-08-30 cs.AI cs.LG
Federated Learning with Limited Node Labels
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
针对现有子图联邦学习忽略跨子图边、需大量标注数据的问题，提出FedMpa及改进版FedMpae框架，通过少量数据训练MLP传播联邦特征、池化重构图结构，在六个数据集的节点分类任务中表现优异。
2024-06-18 cs.AI cs.DC cs.LG
Weakly Supervised Learning on Large Graphs
Indian Institute of Technology Bombay（印度理工学院孟买分校）
提出一种弱监督图分类框架，结合滑动窗口和基于BFS的子图提取技术，利用图注意力网络（GAT）处理子图，并通过将图级标签传播到子图实现弱监督，无需详细子图注释。
2025-01-27 cs.AI cs.LG
Non-adaptive Group Testing on Graphs
Shahid Beheshti University, G.C.（沙希德·贝赫什提大学（G.C.校区））
本文推广了隐藏图学习问题，提出在图中寻找唯一缺陷子图的方法，并利用Lovász局部引理给出测试次数的上界。
2018-03-04 cs.DS cs.LG
