本文提出施雷尔-余数图传播（SCGP）方法，解决图神经网络在处理图数据时的过度压缩问题，改善节点间信息传递。SCGP提升节点特征，保持拓扑结构，增强长距离信息传递性能，并在分类基准测试中表现优异，具有低推理延迟和高可扩展性。

本研究提出了一种新框架，结合图变换器架构与LLM增强的节点特征，以克服现有图学习方法在深层文本语义捕捉上的局限。通过利用LLM生成丰富的语义表示，显著提升了节点分类任务中的图学习模型性能，展示了图网络与语言模型结合的潜力。

本文探讨了节点特征对图神经网络（GNN）性能的影响，提出了一种新的特征初始化方法，使GNN能够应用于无特征图。研究表明，线性GNN模型和特征选择模型在多个基准数据集上表现优于传统模型。此外，结合语言模型的无标签节点分类方法LLM-GNN和GPT-GNN框架显著提升了GNN的训练效果。

研究人员提出了一种名为“mspace”的在线算法，用于预测时态图中的节点特征。mspace在某些数据集上表现出色，并且在不同训练样本规模下表现出一致的鲁棒性。研究人员还建立了关于mspace多步预测误差的理论上限，并表明它按预测步数的速度缩放。

本文提出了一种新的图神经网络架构，通过局部邻域中节点特征的分布分析替代传统的信息传递方式，并通过直方图交集核函数将特征的相似性信息传播到其他节点，创造了一种类似于信息传递的机制。实验评估了网络在不同超参数选择下的性能，并在标准图分类和回归基准测试中对模型进行了测试，结果表明其性能优于常用的图核函数和图神经网络方法。

本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法，通过优化图形网络结构和节点特征的表达方式，提高了表达性和鲁棒性。使用两个新模型实现了图信息瓶颈原则，比最先进的图形防御模型更具鲁棒性。

该论文介绍了一种新的HGNNs攻击模型MGHGA，集中在修改节点特征上，能够在离散和连续数据集上有效对节点和视觉对象分类任务进行攻击，相对于基准方法，攻击性能平均提升了2%。

本文研究了图卷积神经网络的图压缩问题，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，将不同图数据集压缩成信息丰富的较小图并用于训练各种GNN体系结构。测试结果表明，在Reddit、Flickr和Citeseer上，压缩后的图的尺寸缩小了99.9%以上，同时准确率分别为95.3%、99.8%和99.0%。