本研究解决了在工业图上进行高效图学习和子图生成时面临的存储和性能瓶颈问题。创新性的提出了GraphGen+框架，通过同步分布式子图生成和内存图学习，显著提高了效率，减少了外部存储需求。研究结果表明，GraphGen+在子图生成上比传统方法快27倍，并且在处理1百万节点的训练时显示出良好的扩展性。

本研究解决了图神经网络(GNN)在处理与敏感节点属性（如年龄和性别）相关的任务时产生偏见的重大挑战。提出了一种新的生成性公平感知子图扩散(FASD)方法，通过对小子图进行采样和使用随机微分方程的公平扩散过程，有效去除输入数据的不公平性。实验结果显示，该方法在多个基准数据集上显著优于现有的公平GNN基准，展现了其在实现公正预测方面的潜力。

本研究针对图检索增强生成（GRAG）中如何有效捕捉和整合文本及结构化数据中的丰富语义信息这一挑战，提出了一种新的GRAG框架，重点提升知识图谱中的子图表示和多样性。通过动态优先处理相关及多样子图，结合图卷积网络和大型语言模型，实验证明该框架在语言理解和生成方面显著提高了效果。

本研究旨在构建一种无需人工注释或先验知识的分子图神经网络（GNN）预训练模型，以解决传统方法中依赖语义子图的限制。通过提出新颖的子图条件图信息瓶颈（S-CGIB），该方法能够自动发现功能组并生成明确的图级表征，实验结果显示其在多种分子数据集上表现出色。

本研究解决了高级持续威胁（APT）攻击中侧向移动检测的不足。我们提出了一种名为LMDetect的多尺度检测框架，利用异构多图构建、时间感知子图生成和多尺度注意力编码器来高效捕捉隐藏的异常行为模式。实验证明，该框架在检测侧向移动行为方面具有优越性，能够有效提升系统安全性。

本研究针对当前图形领域中链接预测方法的不足，通过提出一种基于子图的生成模型来解决该问题。该模型创新性地采用贝叶斯公式分解条件似然估计过程，从而实现对子图结构和节点特征的独立估计，显著提升了模型在有限训练数据下的推广能力和对抗攻击的鲁棒性。

华为云开发者联盟公众号分享了华为算法精英实战营的“子图召回”赛题，要求在大规模图中搜索每个小规模图模式的同构子图，并输出节点映射关系。比赛时间为2023年至2024年11月30日，奖金为10万元。

该论文介绍了多种基于人工智能的药物发现方法，包括DrugOOD数据集、RaSECo跨视图协同对比学习和GraphCL-DTA靶标结合亲和力预测。这些方法在药物相互作用预测和虚拟筛选中表现出色，提高了药物研发的效率和准确性。此外，提出的Syngand和Imagand模型解决了数据稀疏问题，生成合成药物动力学数据，推动了药物再利用研究。

本文介绍了KGTK工具集在知识图谱构建、转换和分析中的应用，提出了知识图谱策划框架、验证工具ProVe和类比推理方法，并探讨了知识图谱的质量优化和链接预测等研究方向。

本文综述了自然语言处理领域的自动事实核查研究，强调证据的重要性，并提出未来研究方向。介绍了多种模型和方法，包括基于神经语义匹配和图卷积网络，以及新数据集FactKG，旨在提高事实核查的准确性和可靠性。研究表明，丰富的结构信息和原始文档证据显著提升系统性能，有助于打击信息误传。

本文综述了图形领域中的OOD（Out-Of-Distribution）适应方法，分类现有技术并探讨未来研究方向。提出了GOOD-D和GLIDER框架，改进了无监督图对比学习的异分布推广性。同时，研究揭示了图神经网络中的潜在偏差，并提出了基于因果关系的StableGNN框架，显著提高了模型的泛化性能。

本文介绍了subgraph2vec，一种结合深度学习和图形核技术的新方法，用于从大型图中学习子图的潜在表示。实验结果表明，subgraph2vec在监督和无监督学习任务中均优于传统图形核方法，显著提高了分类器的准确性。

本文探讨了如何利用大型语言模型（LLM）增强知识图谱（KG）的推理能力。提出的结构感知推理框架通过嵌入结构信息，显著提升了知识推理性能，尤其在关联预测任务中表现优异。此外，结合实体锚点和负采样的方法提升了知识图谱补全效果，并提出了多语言知识图谱补全的预训练模型，验证了其在多个基准测试中的优越性。

通过利用 Heterogeneous Subgraph Network with Prompt Learning (HSNPL)...

本文介绍了一种基于3D蛋白质结构的自监督学习方法，利用图神经网络进行预训练，显著提高了蛋白质功能和结构预测的准确性。研究表明，该方法在多个任务中表现优越，且所需的预训练数据更少。

基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图 GNN 框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。

提出一种新的记忆高效的 GNN 训练方法，使用作为跨度子图的 SpanGNN，通过选择高质量边和利用两种类型的边采样策略，解决了传统 GNN 训练中的内存和模型准确性问题。