多视图图结构表示学习：基于图粗化

图结构精炼方法 (GSR) 通过预训练 - 微调管道结合多视角对比学习和概率估计，提高了图神经网络的效能和扩展性。

图转换器网络 (GTNs) 能够在图上进行节点表示学习，生成新的图结构并识别未连接点之间的有用连接，实验表明其在节点分类任务中表现优异。

超图学习框架 HyperGT 利用基于 Transformer 的神经网络结构处理超图数据，实现了全面的超图表示学习，并在超图节点分类任务中表现出色。

局部结构感知的图对比学习方法 (LS-GCL) 通过多层对比损失函数优化模型，在节点分类和链接预测任务上优于现有图表示学习方法。

DAGNN-plus 神经架构将上下文表示学习与结构信息传播解耦，填补了图形意义表达的研究空白，实证分析显示其在多个数据集上有显著改进。

可扩展的图转换器 (GT) 框架通过快速采样技术和局部注意机制解决了大规模图的计算复杂性问题，验证了其在节点分类基准测试中的加速和性能提升。

统一图转换网络 (UGT) 方法有效整合局部和全局结构信息，并在各种下游任务上显著优于最先进的模型基准。

图粗化方法被提出用于实现可扩展 GNN 训练，实证结果表明其可以在不显著降低分类精度的情况下减少节点数。