本研究系统分析了图学习与增强机器学习结合所带来的公平性挑战，揭示了复杂学习机制对模型公平性的影响，可能导致高风险应用中的歧视性结果，并探讨了提高GL-ML方法公平性的关键技术，为未来研究奠定基础。

本研究提出三种简单的修改，使普通变换器在图学习中有效应用，显著提升多种图数据集的性能，并在图同构性测试中表现优异。

本研究提出了ExPath框架，旨在识别生物知识库中的靶向通路，特别是在整合湿实验数据时。通过引入氨基酸序列数据和图学习技术，ExPath能够有效分类生物网络并发现重要的靶向通路，实验结果表明该框架在生物学上具有重要意义。

本研究探讨了图学习在药物设计和分子属性预测中的基准挑战，指出现有基准缺乏实际应用的关注，建议采用更具意义的基准和评估协议，以促进研究进展和领域合作。

本研究提出了一种创新方法，将图学习视为检索增强生成（RAG）过程，以提升大型语言模型处理结构化数据的能力。研究表明，该框架显著改善了模型在图相关任务中的表现，且无需进一步调整。

本研究提出了一种新框架，结合图变换器架构与LLM增强的节点特征，以克服现有图学习方法在深层文本语义捕捉上的局限。通过利用LLM生成丰富的语义表示，显著提升了节点分类任务中的图学习模型性能，展示了图网络与语言模型结合的潜力。

本研究提出了SimSTC框架，旨在解决短文本分类中的语义稀疏和标注数据不足的问题。通过图学习方法获取多视图文本嵌入，实验结果表明其性能优于大型语言模型。

本研究提出了一种半隐式神经常微分方程的方法，克服了经典方法的稳定性限制，提升了图学习和科学机器学习的效率与鲁棒性，且在多种应用中优于现有技术。

本研究探讨图学习在规划中的应用，提出GOOSE框架以从小型任务中学习领域知识，并扩展至大规模任务，同时提出五个开放挑战以推动规划学习的发展。

本研究提出了一种新的图学习视角（AGLP），解决了现有半监督领域适应方法忽视数据结构信息的问题。AGLP通过图卷积网络在实例图上学习，有效降低领域间差异，实验结果表明其优于现有方法。

本研究建立了药物间相互作用（DDI）预测的统一评估框架，利用图学习方法比较现有技术，评估新药物及不同DDI类型的表现，为该领域提供深入见解。

本研究通过节点到聚类注意力机制（N2C-Attn）和多核学习技术，解决了图学习中因固定图粗化导致的簇同质化和节点信息丢失问题，提升了图级任务的表现。

研究提出了一种新方法，使语言模型在节点分类任务上达到与先进图神经网络相当的性能，无需改变架构。通过增强策略处理的Flan-T5模型超越了最先进的文本输出节点分类器，并与顶尖向量输出节点分类器表现相当。研究探索了大型语言模型在图学习中的潜力，提出了结合语言模型与图神经网络的方法，展示了其在无标签节点分类和图表示学习中的有效性。

本研究提出了一种新方法——物理编码消息传递图网络（PhyMPGN），解决神经模型在复杂条件下预测时空动态的不足。该方法在小规模数据上有效建模不规则网格的时空偏微分方程。实验结果表明，PhyMPGN在非结构化网格上准确预测多种时空动态，优于其他方法。

最近，图神经网络（GNNs）在半监督节点分类中表现出色。研究人员引入了AMUD和ADPA，提高了图学习的效果。实验证明AMUD指导了高效的图学习，ADPA的性能也优于基准线。

本文研究了基于图学习的任务规划方法，结合图神经网络和语言模型以提高性能。实验证明该方法在无训练的情况下也具有优势，并通过改进提示和微调模型进一步提高性能。

本文探讨了大型语言模型（LLMs）在图学习中的潜力和应用，提出了新的分类法，并调查了代表性方法。还讨论了现有研究的局限性和未来研究方向。介绍了LLMs在图预测、节点分类、问题解决等方面的应用，以及与图结构化数据的融合和在知识图谱构建和推荐系统中的应用。