本研究提出了一种新正则化技术，解决了随机游走节点嵌入算法中因节点对频率不均导致的学习偏差问题。通过高效采样程序生成节点对，理论和实验结果表明该方法在学习效率和效果上具有显著优势。

本研究探讨了未训练的图卷积网络（GCNs）在生成有效节点嵌入方面的表现。结果显示，单层GCNs的网络宽度会影响嵌入的差异性，并且部分训练的GCNs能够有效减少过平滑现象。

本文介绍了三种新型图学习模型：自适应图编码器（AGE）、EDGE扩散生成图模型和潜在图扩散（LGD）。AGE通过拉普拉斯平滑滤波器优化节点嵌入，EDGE模型提升了图的稀疏性和生成质量，而LGD框架实现了节点、边和图的统一生成与预测，展现出在多个任务中的优越性能。

本文研究神经网络的收敛学习现象，探讨超网络生成主网络权重的方法，分析不同初始化训练的网络激活子空间匹配，提出自监督学习和模型动物园的权值学习方法，综述相似性度量方法，并介绍HyperS2V节点嵌入方法，强调其在可解释性和任务适用性方面的优势。

本文介绍了一种新方法，通过DeepWalk在supra图上获取节点嵌入并进行微调，从而提升节点分类、链接预测和社区检测的效果。研究表明，该方法在多项基准测试中优于现有算法。此外，提出了基于概率生成模型的vGraph，优化了社区成员学习，实验结果显示其性能优于多个基线。

本文介绍了多种图嵌入学习方法，如Metagraph、MAGNN、subgraph2vec和Graph2vec，旨在提升异构信息网络的节点嵌入能力。这些方法在链接预测、图分类和用户购买预测等任务中表现优于现有技术，显示出在多关系图神经网络和生物医学领域的应用潜力。

本文探讨了全局性与局部性在图的时空预测中的相互作用，提出了包含可训练节点嵌入的方法论框架。研究表明，图形模型的专业化对准确预测至关重要。此外，提出了敌对空间时间攻击框架，显著降低了交通预测模型的性能，同时提高了算法的鲁棒性。还介绍了基于循环神经网络的动态时空模型和自适应图形时空网络，均在交通预测中表现优异。

本文探讨了将嵌入空间转化为易理解的概念空间的方法，重点在于其在语义表示中的应用，包括发现偏见和比较模型差异。研究揭示了人类如何根据性别和国际性区分运动类别，并分析了词嵌入的可解释性及其在去除性别偏见中的应用。最后，提出了改进节点嵌入模型解释性的新方法，以增强低维句子嵌入的性能。

本文研究了异构图神经网络的自我监督学习，提出了HeCo协同对比学习机制，通过交叉视图学习节点嵌入，生成高质量负样本以提升性能。研究表明，该方法有效捕捉局部和高阶结构，增强节点嵌入的鲁棒性和准确性。

本文介绍了使用简单的GNN架构解决图着色问题的方法，并展示了该模型在图数据上的泛化能力和优于其他模型的表现。同时，还介绍了将节点嵌入多维空间进行聚类的方法，以获得构造性解决方案。结果有助于缩小GNN算法学习差距，并提供了符号推理与深度学习系统集成的可靠方法。

该文介绍了一种新颖的广义图自编码器架构，用于网络对齐任务，实现更准确的对齐。该框架利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。实验结果表明，该方法在真实世界图形上具有有效性和可扩展性。

该研究提出了一种新的节点嵌入方法，通过最小化相对熵和非线性地理路径，将每个节点编码为概率密度函数。实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下表现出色。

该研究提出了一种新的节点嵌入方法，通过最小化相对熵和非线性地理路径，将节点编码为概率密度函数。实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下表现出色。

该研究提出了一个统一的理论框架，结合了节点嵌入和结构图表示，证明了它们之间的关系，并介绍了新的指南来生成和使用节点嵌入，修复了现有标准操作程序的缺点。

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。