本研究探讨自监督学习中图嵌入的平滑性与下游任务表现之间的平衡，提出了一种新的损失函数以提升图嵌入质量。实验结果显示，该框架在节点分类和链接预测任务中表现优异。

本研究提出了一种新颖的深度切割信息引导的图嵌入与聚类框架DCGC，有效解决了图神经网络聚类中的表示崩溃问题，显著提升了聚类性能。

本研究结合自编码器预训练技术与图嵌入模型，显著降低了神经网络物理模拟器对网格拓扑变化的敏感性，提升了模拟器性能，为未来研究指明了方向。

本研究提出双层行走（TLWalk）算法，解决了图嵌入方法在捕捉社区结构方面的不足。TLWalk通过社区感知的随机行走机制，平衡社区内部与外部的关系，降低局部偏倚。实验表明，该算法在链接预测任务中的准确率提高了3.2%，且具有良好的适应性和可扩展性。

研究提出了Janus框架，通过大型语言模型整合图和文本数据，利用对比学习对齐模态空间，在问答任务中性能提升最高达11.4%。

研究提出了一种名为TopER的新方法，通过简化持久同调来改进图嵌入的可解释性和可视化。TopER在分类和聚类任务中表现优异，并在多个基准数据集上优于现有方法，展示了其实用性。

我们提出了一种轻量级的图嵌入方法，利用多语言SNOMED知识库连接医学术语，揭示术语关系。该方法无需大规模预训练数据，在X光报告的疾病和图像分类中表现优异，比BERT模型更小、更高效，并支持跨语言知识传递。

本研究提出了GB-RVFL模型，利用颗粒球作为输入，提高了RVFL网络的扩展性和抗噪能力。结合图嵌入的GE-GB-RVFL模型保持了颗粒球的拓扑结构。实验结果显示，该模型在多个数据集上表现优于基线模型。

VQ-GNN是一种基于向量量化技术的通用框架，解决了图神经网络中的邻居爆炸和扩展性问题。它使用量化参考向量和低秩图卷积矩阵进行图嵌入，并设计了新的信息传递算法和反向传播规则来优化模型性能。在节点分类和链接预测基准测试中表现出了可伸缩性和竞争力。

本研究通过离散几何的理论结果证明了范数空间可以嵌入具有低扭曲度理论界限的有限度量空间。范数空间作为学习图嵌入的替代方法，优于黎曼流形模型，适用于各种图重构基准数据集。实验证明了范数空间嵌入的优越性，并展示了其在链接预测和推荐系统等应用中的实用性。

该研究使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离，并研究了匹配和不匹配图的情况。结果展示了该距离定义对于不同结构和时间特性的图的区分能力，并提出了适用于大规模暂态图的有效距离计算实现，并利用机器学习技术进行了优化。

本文介绍了VQ-GNN，一种基于向量量化技术的通用框架，用于解决图神经网络中的邻居爆炸和扩展性问题。该框架有效地保留了节点信息，并使用少量的量化参考向量和低秩图卷积矩阵进行图嵌入。同时，该框架还设计了基于近似算法的信息传递和反向传播规则来优化模型性能。在节点分类和链接预测基准测试中，该框架表现出了可伸缩性和竞争力。