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，解决了图神经网络中对输入拓扑的过度依赖问题。实验结果表明，模型$ exttt{ extbf{N^2}}$在多个基准测试中表现优异，且参数需求显著降低，适合大规模图分类任务。

该研究提出了DeSGDA框架，解决脉冲图神经网络只能处理同分布数据的问题。通过节点度意识的个性化脉冲表示、对抗特征对齐和伪标签蒸馏，提升了不同分布下的图分类性能。实验结果显示，DeSGDA在基准数据集上表现优异。

研究人员提出了一种基于图粗化的多视图图结构表示学习模型（MSLgo），用于图分类。通过层次启发式图粗化压缩循环和团，并通过约束限制，构建了粗化视图以学习结构之间的高级交互。实验结果表明，MSLgo在多种架构上超过了14个基线的改进。

研究人员提出了一种新颖的拓扑图神经网络（TTG-NN），利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法。实验结果表明，TTG-NN在各种图基准数据上表现优于其他20种最先进的方法。

本文介绍了SGL-PT框架，采用“预训练、提示和预测”的学习策略，通过SGL结构图和口头指导，将预训练和微调统一，取得了良好的图分类成果。