本文研究了图对比学习的因果关系，发现传统方法不能很好地学习不变表示。提出了一种新的方法，通过谱图增强模拟非因果因素干预，并设计了不变性和独立性目标来捕捉因果因素。实验证明该方法在节点分类任务上有效。

本论文介绍了一种解决图中不平衡分类问题的高效方法，通过考虑图异质性。研究发现，少数类别不仅样本稀缺，而且同质性低，导致错误信息传播。提出了一种名为Fast Im-GBK的方法，将不平衡分类策略与意识到异质性的图神经网络相结合，解决类别不平衡问题，并减少训练时间。实验证明该模型在节点分类任务中具有更好的性能和效率。

Gophormer模型基于ego-graphs和transformer，解决了节点分类任务中的规模问题。通过邻域采样和proximity-enhanced attention机制，捕捉节点间的结构偏差。通过一致性规则和多样本推理策略稳定训练和测试。实验结果显示Gophormer超越了现有的图转换器和GNN，展示了图转换器的未来发展前景。

本文研究了节点分类任务，探讨了群体公平性与局部同配性之间的联系，发现同质性会导致同配性，影响个人进入共享敏感属性的社区。通过合成图研究了本地同质性和公平预测之间的相互作用，发现并非所有节点邻域在这方面都是平等的。研究表明采用能够处理非同配组标签的异质性 GNN 设计可以提高局部异质性邻域的群体公平性高达25％，优于同质性设计。

本文提出了一种新颖的方法，通过交替随机游走策略生成特定角色的顶点邻域，并在相应的源/目标角色中训练节点嵌入。该方法成功解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题。在几个真实世界数据集上展示了该方法的有效性，表明嵌入稳健、可推广，在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。