图神经网络（GNN）是一类专门针对图结构数据的神经网络模型，在社交网络分析、知识图谱等领域中取得了不错的效果。近来，相关研究人员在GNN的可解释性、架构搜索、对比学习等方面做了很多探究。


(资料图片)

本周精选了10篇GNN领域的优秀论文，来自来自中科院、浙江大学、中南大学、腾讯等机构等机构。

为了方便大家阅读，只列出了论文标题、作者、AI华同学综述等信息，如果感兴趣可复制网页链接查看，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

1. Hierarchical and Contrastive Representation Learning for Knowledge-aware Recommendation

作者：Bingchao Wu,Yangyuxuan Kang,Daoguang Zan,Bei Guan,Yongji Wang

链接：https://www.aminer.cn/pub/643e0acf0746dc40e3418ed6

AI综述（大模型驱动）：为了解决知识图谱推荐中的过平滑问题，本文提出了一种名为HiCON的Hierarchical和CONtrastive表示学习框架,提出了分层消息聚合机制来分别与低阶邻居和元路径约束的高阶邻居来进行交互，以避免知识图的指数扩张。此外,该框架还提供了跨序列对比学习来执行表示,以使表示更加区分性。在三个数据集上进行的大量实验中, HiCON在性能上超过了目前最先进的方法。

2. Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation

作者：Tongya Zheng,Xinchao Wang,Zunlei Feng,Jie Song,Yunzhi Hao,Mingli Song,Xingen Wang,Xinyu Wang,Chun Chen

链接：https://www.aminer.cn/pub/643e0acf0746dc40e3418ed5

AI综述（大模型驱动）：本文提出了一种新的时间图融合方法,即时态聚类和传播图神经网络(TAP GNN)。该方法首先分析了动态表示问题的计算复杂性,通过在消息传递范式中演化时态图。昂贵的复杂性激励我们设计了AP（聚合和传播）Block,它显著减少了历史邻居的多次计算。最后,TAP GNN支持在图流情景中进行在线推理,其中将时态信息整合到节点嵌入中,具有时态激活函数和映射层。实验结果表明,所提出的TAP GNN在预测性能和在线推理潜力方面优于现有的时间图方法。

3. Multi-View Graph Representation Learning Beyond Homophily 

作者：Bei Lin,You Li,Ning Gui,Zhuopeng Xu,Zhiwu Yu

链接：https://www.aminer.cn/pub/643e0acf0746dc40e3418ed8

AI综述（大模型驱动）：最近的表示学习方法通常采用自监督学习，并通过解决手工制作的辅助任务（所谓的前置任务）来学习嵌入。本文提出了一种新的无监督图表示学习框架,名为多维图编码器(MVGE), 提出了多视图视角和使用不同的借口任务来将图中的不同信号捕获到嵌入中。此外,还提出了一种简单的操作来保持属性和个人化,尤其是在结构层面上。在合成和真实世界网络数据集上进行的大量实验表明,与MVGE学习的节点表示在三个不同的下流任务中表现出显著的性能改进。

4. Audience Expansion for Multi-show Release Based on an Edge-prompted Heterogeneous Graph Network 

作者：Kai Song,Shaofeng Wang,Ziwei Xie,Shanyu Wang,Jiahong Li,Yongqiang Yang

链接：https://www.aminer.cn/pub/64377346eb3a372744c80a40

AI综述（大模型驱动）：本文提出了一种基于异构图网络的视频观众扩张方案,可以考虑不同的双向相互作用和特征。在离线阶段,选择节目的用户身份和特定部分信息组合作为节点,并使用点击/共同点击关系和观看时间构建边。当新节目出现时,它们的嵌入和后续匹配用户可以在一个一致的空间中生成。在在线阶段,包括点击/查看用户在内的后续数据被应用于寻找相似的用户。

5. Enhancing Model Learning and Interpretation using Multiple Molecular Graph Representations for Compound Property and Activity Prediction 

作者：Apakorn Kengkanna,Masahito Ohue

链接：https://www.aminer.cn/pub/6438c501d6db87a14654a3a9

AI综述（大模型驱动）：本文介绍了一种多重分子图表示方法,结合更高级别信息并研究了其对模型学习和解释的影响。实验结果表明,将多重分子图表示与简化的分子图表示相结合可以产生有希望的模型性能。此外,分析结果可以为背景知识提供显著特征和潜在子结构保持一致。这些多重分子图表示和解释分析可以帮助模型理解和促进药物发现领域的应用。

6. NPS: A Framework for Accurate Program Sampling Using Graph Neural Network

作者：Yuanwei Fang,Zihao Liu,Yanheng Lu,Jiawei Liu,Jiajie Li,Yi Jin,Jian Chen,Yenkuang Chen,Hongzhong Zheng,Yuan Xie

链接：https://www.aminer.cn/pub/643f5c4336af860e941acc57

AI综述（大模型驱动）：本文介绍了神经程序抽取(NPS),一种新的框架,利用图神经网络的动态映射来学习执行嵌入。NPS使用AssemblyNet进行嵌入生成,利用应用程序的代码结构和运行时间状态。AssemblyNet是NPS的图模型和神经架构,捕捉应用程序的行为在数据计算、代码路径和数据传输方面。NPS在实验中表现出强大鲁棒性,减少了昂贵的精度调控负载。此外,NPS与最先进的GNN方法相比具有更高的准确性和通用性。

7. Addressing Variable Dependency in GNN-based SAT Solving 

作者：Zhiyuan Yan,Min Li,Zhengyuan Shi,Wenjie Zhang,Yingcong Chen,Hongce Zhang

链接：https://www.aminer.cn/pub/643f5c3d36af860e941a93e2

AI综述（大模型驱动）： 现有作品使用图神经网络 (GNN) 进行（近似）SAT 求解。我们表明，对于一组对称 SAT 问题，并发预测肯定会产生错误答案，因为它忽略了 SAT 问题中布尔变量之间的依赖关系。本文提出了一种基于GNN的架构AsymSAT,可以生成任意变量的依赖预测。实验结果表明,依赖变量预测扩展了基于GNN的方法的解决能力,因为它提高了大型测试集上解决的 SAT案例数量。

8. ProGAP: Progressive Graph Neural Networks with Differential Privacy Guarantees 

作者：Sina Sajadmanesh,Daniel Gatica-Perez

链接：https://www.aminer.cn/pub/643f5c4336af860e941acd7b

AI综述（大模型驱动）：本文提出了一种新的图神经网络(GNN)模型,名为ProGAP,用于保护图结构化数据集的隐私。与聚类干扰技术相结合,ProGAP将一个GNN分解为一个连贯的子模型序列, 每个子模型都在先前子模型学习和缓存的私有聚合节点嵌入上进行训练，与以前的方法相比，这导致表达能力增强，同时限制了所产生的隐私成本。实验结果表明,ProGAP可以实现对训练和推理阶段的隐私保证,并在基准图数据集上评估其性能。

9. Spectral Gap Regularization of Neural Networks 

作者：Edric Tam,David Dunson

链接：https://www.aminer.cn/pub/642f8a3d90e50fcafd431ef1

AI综述（大模型驱动）：本文提出了Fiedler 正则化,一种利用谱/图信息进行正则化的神经网络方法。现有的正则化方法通常侧重于惩罚权重的全局/统一的方式,忽略了神经网络的连接结构。我们提出使用神经网络基础图中的Fiedler值作为正则化工具。通过谱图理论提供这一方法的理论动机, 我们展示了 Fiedler 值的几个有用属性，使其可用作正则化工具。 我们提供了一种近似的变分方法，可以在训练期间加快计算速度。

10. Equivariant Graph Neural Networks for Charged Particle Tracking 

作者：Daniel Murnane,Savannah Thais,Ameya Thete

链接：https://www.aminer.cn/pub/643621a290e50fcafd6664ac

AI综述（大模型驱动）：本文提出了一种用于带电粒子跟踪的新的图神经网络(GNN)对称等变架构EuclidNet,该架构利用碰撞事件的图表示和对探测波束轴向量的旋转对称性,从而产生了一个更高效的模型。我们通过在TraceML数据集上评估EuclidNet,该数据集模拟了高亮度大型强子对撞机(HL LHC)的高堆积条件。结果表明,EuclidNet在小模型范围内(<1000个参数)取得了接近业界领先的性能。这项研究为未来研究提供依据。

关键词：