WWW2023 GNN论文合集

国际万维网大会（The International Conference of World Wide Web，简称WWW会议），是由国际万维网会议委员会发起主办的国际学术会议，创始于1994年，汇集了国际著名大学、研究机构、跨国企业和国际标准化组织的一流学者和产业界精英，持续推动着互联网技术的发展，尤其是为各国信息化建设提供了重要的技术标准。

AMiner通过AI技术，对 WWW2023 收录的会议论文进行了分类整理，今日分享的是GNN主题论文，共29篇，我们在这里展示十篇最受欢迎的论文，欢迎下载收藏！

1.GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks 论文详情页
作者：Zemin Liu,Xingtong Yu,Yuan Fang,Xinming Zhang
AI综述（大模型驱动）：在本文中,我们提出了一种新的图表预训练和告别框架。该框架不仅将原始训练和下流任务统一为一个通用任务模板,还使用学习到的启发式提示帮助下流任务找到最相关的知识。最后,我们对五个公共数据集进行广泛的实证研究,以评估和分析图表启发式提示。
论文链接：https://www.aminer.cn/pub/63eef09c90e50fcafda0cfa0/

2.Predicting the Silent Majority on Graphs: Knowledge Transferable Graph Neural Network 论文详情页
作者：Wendong Bi,Bingbing Xu,Xiaoqian Sun,Li Xu,Huawei Shen,Xueqi Cheng
AI综述（大模型驱动）： 在本文中,我们提出了一种可用于信息传递和表示的图谱归纳技术。它通过将知识从声音节点转移到静态节点的分布转变来建模分布变化。此外,我们还引入了一种基于层次向量机的特征转换分类器,该分类器根据层次向量的变化对其进行编码。我们证明了这种方法比最先进的方法具有更好的性能。
论文链接：https://www.aminer.cn/pub/63dc7b5190e50fcafdc83673/

3.PaGE-Link: Path-based Graph Neural Network Explanation for Heterogeneous Link Prediction 论文详情页
作者：Shichang Zhang,Jiani Zhang,Xiang Song,Soji Adeshina,Da Zheng,Christos Faloutsos,Yizhou Sun
AI综述（大模型驱动）：图神经网络的分布式概述对于黑盒机器学习(ML)模型来说至关重要。对模型行为正确的解释有助于研究人员开发更可信的模型。我们提出了一种新的基于路径的GNN解释器,它生成的解释具有连接解释性、具有模型扩展性和能够处理图的多样性。这些解释可以作为引用和赞助搜索等应用程序中使用的路径进行推理。
论文链接：https://www.aminer.cn/pub/63fc1f4d90e50fcafda63192/

4.Auto-HeG: Automated Graph Neural Network on Heterophilic Graphs 论文详情页
作者：Xin Zheng,Miao Zhang,Chunyang Chen,Qin Zhang,Chuan Zhou,Shirui Pan
AI综述（大模型驱动）：迄今为止,基于图像神经网络的自动规划和选择仍然是个空壳项目,需要大量的工作来填补。因此,我们提出了一种新的图像神经网络,即Auto HeG,用于自动设计具有表达能力的多对多元图模型。特别地,Auto HeG将任意性纳入所有自动分离图学习的所有阶段,允许Auto HeG整合复杂和各种多元图的多种多样性。
论文链接：https://www.aminer.cn/pub/63fc1f4d90e50fcafda6309d/

5.HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link Prediction 论文详情页
作者：CoRR
AI综述（大模型驱动）：本文提出了一种新的超线性图神经网络(HGWaveNet),它充分利用了熵扩张性空间和数据分布之间的动态图预测能力。通过设计两个关键模块来学习空间拓扑结构和时间演化信息,该模块有效地从邻域中提取信息,同时捕捉了历史状态的内部顺序。整个模型建立在超线性空间上,以保持整个数据流的层次结构信息。为了证明HGWaveNet的强大性,进行了广泛的实验,并对六个真实世界图数据集进行评估,结果表明HGWaveNet在SOTA方法上相比具有显著的改进。
论文链接：https://www.aminer.cn/pub/643e0ace0746dc40e3418a6a/

6.KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks 论文详情页
作者：Zhizhi Yu,Di Jin,Cuiying Huo,Zhiqiang Wang,Xiulong Liu,Heng Qi,Jia Wu,Lingfei Wu
AI综述（大模型驱动）：在本文中,我们提出了一种新的基于图的洞察增强图神经网络(KG信托)。它首先从用户评论行为和与对象描述相关的外部结构三元组中提取有用的知识。然后,我们引入了一种区分性扩展层,该层利用了各种不同的图结构、节点语义和信托关系来学习节点嵌入。最后,我们开发了一个信托预测框架,用于估计彼此节点之间的友好关系。这些实验证实了目前最先进的方法优于基线方法。
论文链接：https://www.aminer.cn/pub/63f6da0d90e50fcafd256c20/

7.Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation 论文详情页
作者：Di Jin,Luzhi Wang,Yizhen Zheng,Guojie Song,Fei Jiang,Xiang Li,Wei Lin,Shirui Pan
AI综述（大模型驱动）：本文提出了一种双重意图神经网络,用于推荐系统。由于新物品与历史会议无关,用户的愿望很难预测。我们设计了一个双重意图神经网络,通过关注机制和历史数据的分布来学习用户的愿望。通过输出新的物品概率,其中包含对应的物品的推荐分数,将高得分的新物品推荐给用户。实验结果表明,该方法在推理上优于现有的方法。
论文链接：https://www.aminer.cn/pub/6449f232582c1376bb223889/

8.A Post-Training Framework for Improving Heterogeneous Graph Neural Networks 论文详情页
作者：Cheng Yang,Xumeng Gong,Chuan Shi,Philip S. Yu
AI综述（大模型驱动）：本文研究了异构图神经网络(HGNN)在建模异构信息网络(HINs)中的表现,重点强调了节点分类问题,即对测试节点的标记进行预测。实验结果表明,与先前训练的HGNN相比,我们的方法可以显著提高Micro F1,总体上改善了3.9%。因此,该框架可以应用于任何先前训练的HGNN,以进一步注入任务特定知识并提高他们的预测性能。此外,本文还提出了一个通用培训框架,可以应用于任何先前训练的HGNN,以进一步注入任务特定知识并提高他们的预测性能。
论文链接：https://www.aminer.cn/pub/642b955a90e50fcafd82a95d/

9.CogDL: A Comprehensive Library for Graph Deep Learning 论文详情页
作者：Yukuo Cen,Zhenyu Hou,Yan Wang,Qibin Chen,Yizhen Luo等
AI综述（大模型驱动）：CogDL是一个广泛的研究工具包,用于图的深层学习。它提供标准培训和评估的图领域中最重要的任务,包括节点分类、链接预测、图分类和其他图任务。对于每个任务,它提供最先进的模型。我们的工具包被分成两个主要部门,是图嵌入方法和图神经网络。大多数的图嵌入了方法学习节点级或图级表示,并保留了图特性,如结构信息。
论文链接：https://www.aminer.cn/pub/603e2f2191e01129ef28fecc/

10.Robust Mid-Pass Filtering Graph Convolutional Networks 论文详情页
作者：Jincheng Huang,Lun Du,Xu Chen,Qiang Fu,Shi Han,Dongmei Zhang
AI综述（大模型驱动）：图生成网络目前是处理图结构数据最有希望的范式。然而,最近的研究表明,这些模型对敌对攻击很脆弱。因此,开发具有鲁棒性的基于结构修剪学习方法成为研究的热点。然而,基于鲁棒性约束或鲁棒性限制的防御GCN方法通常为特定的数据或攻击设计,并引入额外的治疗任务。为了解决这些挑战,我们进行了广泛的挖掘,并提出了一种简单但有效的中流过滤器GCN(中流GCN)。理论分析保证通过中流过滤器的稳健性,以及不同频率信号在敌对攻击下的不同特性。六个基线数据的实证结果进一步验证了我们设计的中流过滤器在节点分类精度方面的优势。
论文链接：https://www.aminer.cn/pub/63eef09c90e50fcafda0cf9e/

想查看全部GNN论文，可以点击这里！！！