本文已参与「新人创作礼」活动，一起开启掘金创作之路。

• 欢迎关注WX公众号，每周发布论文解析：PaperShare,
  点我关注

Paper1-Paper2

Paper3

摘要简介

• 评价生成模型在图像数据集上的好坏肉眼都能看出来，但是在graph上就没那么明显了。
• 现有的评价GGM（graph generative model）的指标有三个方面的不足:
  1. 没有单一的scalar指标。
  2. 很难考虑到潜在的边和节点特征。
  3. 慢
• 提出了一些评价指标，基于无需训练的GNN来解析的特征。
• 指标能够很好的比较出graph的差异和保真度，并且效率高。
• 实验表明，2种指标比以前的要好，并且能够在不考虑问题domain的情况下去比较两个graph集合。
• code

实验

这图看起来真是酷炫啊。。。

数据集：

效果：

Paper4

摘要简介

• 挖掘节点特征和图结构的关系，有助于更好地提高GNN的性能。
• 现有的基于自监督的GNN在提取节点特征的时候，忽略了图结构，导致不能充分利用节点特征和图结构的关系
• 我们提出了GIANT，使用了XMC（Multi-label Classification formalism）解决这个问题。
• XMC利用graph information，对于fine-tuning 语言模型很有帮助，可以扩展大大数据集上。
• 在OGB （Open graph benchmark，by Standford大佬）link prediction任务ogbn-papers100M数据集上取得SOTA。

框架

就是在fine-tuning NLP model阶段的时候加入了Graph information。

实验

Paper5-6