本文介绍了多种基于深度学习和图神经网络的方法，解决数据增强、欺诈检测和用户嵌入等问题。研究提出了鲁棒的对比学习框架、特征偏移解决方案和多图表示学习框架，均在多个基准数据集上取得显著性能提升，展示了这些方法的有效性。

本文介绍了一种名为Scaling User Modeling (SUM)的框架，旨在提升个性化广告的实时性能。SUM通过合成用户嵌入，实现高效的在线用户表示共享，已在Meta的广告排名系统中广泛应用，处理数百亿次用户请求，显著提高了在线指标并节约了基础设施成本。