GCoT是首个针对无文本图数据的思维链提示学习框架，通过逐步推断机制在八个数据集上显著提升了节点分类和图分类的效果，尤其在少样本学习中表现突出，拓展了图学习的推理方式。

本文提出了一种自我强化图对比学习（SRGCL）框架，旨在解决图对比学习中高质量正样本对难以获取的问题。SRGCL通过动态评估和选择正样本对，并结合增强策略，展现了在多种图分类任务中的优越性和有效性。

本研究提出了一种新型自监督图表示学习方法Graffe，旨在解决扩散概率模型在图表示学习中的应用不足。该模型通过图编码器提炼源图，并指导扩散解码器去噪，从而在节点和图分类任务中实现领先性能。

本研究提出了一种新颖的拓扑边图（TED）和基于线图的维托里斯-里普斯持久性图算法（LGVR），有效解决了图神经网络在描述图的拓扑属性时的信息丢失问题。实验结果表明，该模型在图分类和回归任务中表现优越。

本文研究了类不平衡图分类问题，提出了一种新方法C$^3$GNN，结合聚类与对比学习，提升了分类性能。实验结果验证了其优越性。

该研究提出了一种新方法，将量子技术应用于自注意力机制，以改进图变换器在捕捉图结构归纳偏差方面的不足。GQWformer在图分类任务中显著优于现有算法，展示了量子计算与传统图神经网络结合的潜力。

本文介绍了多种基于元学习的图分类模型及其在节点分类和图领域适应中的应用。这些模型通过学习子图信息、生成多任务节点嵌入和自适应机制，显著提升了性能和任务适应能力。同时，研究提出了新的基准测试和框架，以评估图学习模型在实际应用中的表现。

本文介绍了多种图神经网络（GNN）研究，包括无监督图相似性学习、半监督分类和图结构学习基准。提出的KGNN模型结合内存核网络，优于传统方法。此外，研究探讨了GNN在图分类中的隐含偏差及新颖的图参考分布学习（GRDL）方法，显著提高了分类效率和性能。

本研究提出了一种新颖的动态消息传递机制，解决了图神经网络对输入拓扑的过度依赖问题。通过引入可学习的伪节点，促进灵活的消息传递路径构建。实验结果显示，该模型在多个基准测试中表现优越，显著降低了参数需求，适应大规模图分类任务。

本文提出了自监督图神经网络预训练框架Graph Contrastive Coding（GCC），通过对比学习提升图神经网络在节点分类、相似性搜索和图分类等任务中的性能。研究探讨了图传递学习和图结构学习，提出了G-Adapter和LS-GCL等新方法，在多个基准数据集上表现优越，具有实际应用潜力。

本文介绍了多种图神经网络（GNN）模型及其改进方法，如GPNN、DP-GNN和CARE，强调了在图分类任务中的性能提升和可重复性问题。研究表明，通过优化结构和引入领域知识，可以有效提高模型的泛化能力和适应性。

本文介绍了一种新的概率分布度量——融合Gromov-Wasserstein（FGW）距离，成功应用于图分类和聚类任务。研究还提出了切片Gromov-Wasserstein距离和锚能量（AE）距离，以优化计算效率和准确性。同时，探讨了GW距离的NP难度问题，揭示其非凸性质对复杂性的影响。

本文介绍了多种图嵌入学习方法，如Metagraph、MAGNN、subgraph2vec和Graph2vec，旨在提升异构信息网络的节点嵌入能力。这些方法在链接预测、图分类和用户购买预测等任务中表现优于现有技术，显示出在多关系图神经网络和生物医学领域的应用潜力。

图神经网络（GNN）在图数据学习中表现优异。本文提出的结构化GNN提示方法SAP，通过利用图结构信息进行预训练和提示调整，显著提升了节点分类和图分类任务的性能，尤其在小样本场景中表现突出。

本研究提出了多种图卷积网络模型，应用于图分类、脑电波诊断和交通流量预测等领域。实验结果表明，这些模型在准确性和效率上优于传统方法，推动了神经疾病和交通预测的发展。

在 COVID-19 疫情期间，研究提出了一种结合社交媒体文本和网络信息特征的多输入框架，以提高虚假新闻检测的准确性。通过图分类任务和可信度评估，构建了高效的检测模型，显著提升了社交媒体内容的质量和可信度。

本文提出了一种二参数持久模的应用，增强了深度学习模型的表示能力，介绍了新的矢量表示Gril，有效编码拓扑特征。研究表明，扩展持久性在图分类中优于传统方法，提供更多全局拓扑信息，并通过实证验证了其在真实数据集上的有效性。

本文介绍了多种基于拓扑的深度学习方法，如局部拓扑模型、拓扑神经网络和持久同调技术，旨在提升图分类和节点分类的性能。这些方法通过结合拓扑信息与图神经网络，显著提高了预测能力，尤其在医学图像分类和三维视觉对象分类中表现突出。

本文提出三种新的自监督辅助任务，利用图卷积网络（GCNs）进行多任务学习，显著提升图分类性能。研究分析了自我监督技术在图形数据中的应用，提出无监督自学习策略以改善模型学习能力，并综述了自监督学习在图数据中的方法及未来研究方向。实验结果表明，合理设计任务和整合机制可增强GCNs的普适性和稳健性。

该研究提出了图卷积注意力层（CAT）和自适应图卷积网络（AGC-net）等多种图神经网络架构，以提高图结构数据处理的效率和准确性。实验结果表明，这些新模型在多个数据集上优于现有方法，有效解决了图分类和节点特征学习中的关键挑战。