本研究提出了一种新方法，通过潜在空间遍历生成图形分类模型的高质量反事实解释。该方法结合了离散图结构与连续图属性，实验结果在三个数据集上表现优异，且具有强鲁棒性。

本研究比较了基础模型与端到端训练在有丝分裂图形分类中的有效性。结果表明，端到端模型在不同数据量下均优于基础模型，且在领域转移方面表现更佳，推翻了之前的假设。

本文探讨了图形分类中的持久同调方法，提出了一种基于拓扑特征的图神经网络，显著提升了分类性能。同时，研究引入了新算法和模型，解决了动态图中的计算难题，并在多个基准数据集上展示了优越表现。

本文提出了多种基于图形神经网络的创新方法，旨在解决图形分类、无监督学习和领域适应中的标记成本问题。研究表明，通过对比学习、知识图谱自适应和迭代训练策略，这些方法在领域适应和知识图谱构建任务中有效提升了准确度和可解释性。

本文提出了结构敏感的图形字典嵌入（SS-GDE）、逻辑语法嵌入（LGE）和双重教导方法（DualDE），旨在提高图形分类和知识图谱推理的效率与准确性。研究表明，这些方法在多个数据集上表现优越，显著提升了性能和计算效率。