本研究提出了一种基于因果推断的异嗜图神经网络优化方法，解决了图神经网络中的异嗜消息传递问题。通过因果效应分析，识别异嗜边缘，CausalMP模型在连接预测和节点分类任务中表现优越。

本研究探讨了深度学习在图表示学习中的应用，提出了基于半监督学习的图学习、SDGNN有向图神经网络和SGAAE框架等新方法，旨在提高节点分类和连接预测的准确性，并解决可解释性问题。研究结果表明，这些方法在多个数据集上表现优越，推动了图嵌入技术的发展。

本研究探讨了基于单节点低维度向量嵌入模型的无监督图表示学习在社群标记任务中的表现，发现其效果较传统模型差且不稳定。通过对15个数据集的实验，结果显示在连接预测和节点分类任务中没有一种方法完全优越。文章还综述了图嵌入技术及其在生物医学任务中的应用，并提出了未来研究方向和潜在应用。