01
圖嵌入是從圖中無監督地產生節點特徵，然後用於各種機器學習任務。在實際場景中，特別是在工業應用中，圖往往包含數十億個節點和數萬億的邊，這超出了現有嵌入系統的能力。論文提出了PyTorch-BigGraph（PBG），這種嵌入系統，對傳統的多關係嵌入進行了修改，使其能夠擴充套件到具有數十億個節點和數萬億邊的圖。PBG使用圖分割槽來在單個機器或分散式環境中訓練任意大的嵌入。
論文連結：https://arxiv.org/pdf/1903.12287.pdf
02
圖訊號是具有不規則結構的訊號，可以用圖來描述。圖神經網路（GNN）是針對這些圖訊號定製的資訊處理體系結構，由堆疊層構成，這些層疊構成具有非線性啟用函式的圖卷積濾波器。圖卷積賦予GNNs對圖節點標籤擾動的不變性。本文提供可訓練的非線性啟用函式的設計，其中考慮了圖的結構。這是通過使用中值濾波器和最大值濾波器來實現的，這些濾波器模擬線性圖卷積並且保持GNN的變換不變性。論文還討論了訓練區域性啟用函式所需的反向傳播演算法的改進。
論文連結：https://arxiv.org/pdf/1903.12575.pdf
03
圖神經網路（GNN）是目前流行的機器學習模型，其主要優點是能夠在資料之間結合稀疏和離散的結構。不幸的是，只有在這種圖結構可用時才能使用GNN。然而，在實踐中，真實世界的圖通常是嘈雜和不完整的，或者根本不可用。論文的這項工作，建議近似求解一個雙層規劃來學習圖上邊的離散分佈概率，由此來共同學習GCN的結構和引數。這使得人們不僅可以在給定圖不完整或損壞的情況下應用GCN，而且還可以在圖不可用的情況下應用GCN。
論文連結：https://arxiv.org/pdf/1903.11960.pdf
04
論文介紹了一種新穎的圖表示學習方法，即將整個圖嵌入到向量空間中，其中兩個圖的嵌入保持其graph-graph的近似度。論文提出的方法UGRAPHEMB是一個通用框架，提供了一種以完全無監督和歸納的方式執行圖嵌入的新方法。學習的神經網路可以被認為是接收任何圖作為輸入的函式，無論是在訓練集中看到還是未看到，並將其轉換為嵌入。論文還提出了一種新的圖嵌入生成機制，稱為多尺度節點注意（MSNA）。對五個真實圖形資料集的實驗表明，UGRAPHEMB在圖分類，相似性排序和圖視覺化的任務中實現了較高的準確性
論文連結：https://arxiv.org/pdf/1904.01098.pdf
05
在這項工作中，論文提出了一個判別性子圖學習（DSL）的優化框架，它同時能夠提升子圖的（i）稀疏性，（ii）連通性和（iii）判別力。我們的優化演算法是針對NSP和相關特徵選擇問題的單步解決方案。它源於最大邊際優化，譜圖方法和稀疏子空間自我表示的豐富文獻。DSL同時確保解決方案的可解釋性和卓越的預測能力。
論文連結：https://arxiv.org/pdf/1904.00791.pdf