本研究提出了一种轨迹编码时间图网络（TETGN），旨在解决动态图任务中已知节点与未知节点的预测问题。实验结果表明，TETGN在链路预测和节点分类方面优于现有方法，显示出其潜力。

本研究提出了签名图原型自编码器（SGAAE），旨在解决现有图自编码器在签名网络中的可解释性不足问题。SGAAE通过将图投影到学习的多面体上，提取节点表示，有效推断节点隶属关系并识别竞争社区。实验结果表明，SGAAE在签名链路预测任务中表现优异，超越多种基线模型。

本文介绍了一种新型的超几何图卷积神经网络（HGCN），该网络通过超几何空间的特性学习节点表示，显著提升了链路预测和节点分类的性能。研究表明，HGCN在低维嵌入下优于传统欧几里得模型，并探讨了其在计算机视觉中的应用及未来研究方向。

本文介绍了DRUM方法，通过双向RNN挖掘知识图谱中的逻辑规则，实现链路预测。结合神经符号AI，提出多种基于规则的知识图谱构建方法，提升模型的精度和可解释性。同时，研究了神经符号技术在多标签分类中的应用，提出新的推理方法，展示其在准确性和资源使用上的优势。

本文探讨了图神经网络（GNN）在推断任务中的应用，提出了Graph Learning Network、Two-level GNN和ExpressGNN等模型，旨在提高社区检测、节点分类和链路预测的准确性。研究表明，GNN能够有效学习图结构和关系信息，克服现有方法的局限性，并在多个数据集上验证了其性能。

本文提出了多种基于Gromov-Wasserstein距离的图比较和学习方法，包括新算法和图神经网络架构，旨在提升图结构数据的分类和预测性能。研究表明，双曲GNNs和增强型Gromov-Wasserstein方法在多个基准数据集上表现优异，显著改善了节点分类和链路预测效果。

本文综述异态图神经网络，提出分类法，分析主要模型与基准，并展望未来方向。研究还提出DHGR图重构方法、CPGNN兼容性矩阵框架、ACM自适应通道混合框架、GPR广义PageRank架构及GraphLP生成式链路预测模型，验证其提升节点分类与鲁棒性性能。

该文综述了多项图神经网络研究，包括：融合黎曼流形嵌入以提升分类与链路预测；采用局部中心度策略改善不同规模图的分类；在史蒂费尔流形上学习辛结构以增强适应性；推广双曲GNN以缓解过度压缩；提出图Gram指数度量嵌入不稳定性；利用Gumbel图网络建模时间序列；设计Eigen-GNN插件增强结构保留；将GNN用于移动自组网边预测；以及简化梯度攻击与度同配指标。

该文综述了图神经网络链路预测的多项研究，涵盖生成式模型GraphLP、可解释GNN框架、邻域重叠感知Neo-GNN、全图模型ELPH与BUDDY、拓扑框架Gelato及GMNN等，并探讨了泛化理论、解释质量评估和学习算法收敛性。

该文综述大语言模型在图学习中的应用，涵盖链路预测、节点分类等任务，将模型分为增强器、预测器和组件三类，介绍GraphLP、PLNLP、SiaILP等模型及NLGraph基准，指出小模型注入知识后性能可媲美大模型，并展望未来方向。

本文介绍了一种新的神经网络模型HGCN，利用超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示。实验证明，HGCN 学习到的嵌入保留了分层结构，并且在链路预测和节点分类中表现更好。

该研究发现，将不重叠的部分标签选择为负节点对关系的伪标签，可以提高准确性。通过构建带有高准确性伪标签信息的有向图，有效地辅助了图神经网络在消息传递层的学习，提供了链路预测和节点分类任务的解决方案。实证结果表明该方法在几个基准数据集上取得了最先进的性能。

本文提出了第一个归纳式的超几何图卷积神经网络(HGCN)，利用超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示。实验证明，HGCN 学习到的嵌入保留了分层结构，并且在链路预测和节点分类中获得了更好的性能。

本文介绍了第一个归纳式的超几何图卷积神经网络（HGCN），利用超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的节点表示。实验证明，HGCN学习到的嵌入保留了分层结构，并且在链路预测和节点分类中表现更好。