그래프 토폴로지와 그래프 학습 작업 간의 호환성을 측정하는 새로운 지표인 TopoInf를 제안하고, 이를 통해 그래프 토폴로지가 그래프 학습 모델의 성능에 미치는 영향을 분석한다.
그래프가 지속적으로 변화함에 따라 그래프 신경망 모델의 성능이 저하되는 문제를 해결하기 위해, 자기 지도 학습 기반의 그래프 재구성을 통해 적응적인 특징 추출기를 학습하여 시간에 따른 일반화 성능을 효과적으로 추정할 수 있다.
메시지 전달 신경망(MPNN)은 혼합 그래프온 데이터에서 효과적으로 일반화할 수 있다. 이를 위해 노드 수가 충분히 큰 경우 MPNN의 출력이 대응되는 연속 MPNN의 출력과 가까워짐을 보였다.
VIGraph는 클래스 불균형 노드 분류 문제를 해결하기 위해 생성적 자기지도 학습 기법을 활용한다. 기존 방법의 한계를 극복하고 고품질의 소수 클래스 노드를 직접 생성하여 분류 성능을 향상시킨다.
ChebMixer는 효율적인 MLP Mixer 기술을 사용하여 그래프 노드의 다중 스케일 표현을 학습하고, Chebyshev 보간을 통해 이를 통합함으로써 다양한 그래프 기반 작업에서 우수한 성능을 달성한다.
그래프 신경망의 계산 복잡성을 줄이기 위해 데이터 기반으로 작은 하위 그래프 집합을 선택하는 정책을 학습하는 방법을 제안한다.
r-loopy Weisfeiler-Leman (r-ℓWL) 알고리즘은 기존 Weisfeiler-Leman 알고리즘을 확장하여 길이 r+2 이하의 사이클을 계수할 수 있으며, 선인장 그래프(cactus graph)의 호모모피즘을 계수할 수 있다.