阿里二面，要寄。。。
ARMA: Adaptive Recursive Matrix Completion for Dynamic Graph Prediction
ARMA提出了一种新颖的图神经网络（GNN）模型，旨在解决动态图预测中的问题。动态图是指随着时间推移，图中的节点和边关系会发生变化的情况。这种动态性带来了挑战，因为传统的静态图模型无法捕捉到图的演变过程。ARMA采用自适应递归矩阵完成技术，通过递归地预测动态图的演化过程，从而实现对动态图的预测。
主要贡献：
- 提出了一种新颖的图神经网络模型ARMA，能够有效地处理动态图预测任务。
- 引入了自适应递归矩阵完成技术，使模型能够动态地捕捉图的演化过程。
- ARMA模型在动态图预测任务中表现出色，超过了现有方法的性能。
AutoGL: A Library for Automated Graph Learning
AutoGL 提出了一种图神经网络自动化设计的框架，旨在通过自动搜索和优化的方式，为给定的图数据集找到最优的图神经网络模型。具体来说，AutoGL 包括了三个主要组件：搜索空间定义、搜索算法和性能评估器。其中，搜索空间定义决定了候选模型的结构，搜索算法用于在搜索空间中寻找最优模型，性能评估器用于评估候选模型的性能。
主要贡献：
- 搜索空间定义：AutoGL 提供了灵活的搜索空间定义机制，允许用户根据需求定义不同类型的图神经网络结构，包括图卷积网络（Graph Convolutional Networks, GCNs）、图注意力网络（Graph Attention Networks, GATs）等。
- 搜索算法：AutoGL 集成了多种搜索算法，包括随机搜索、进化算法等，可以根据具体情况选择合适的搜索算法进行模型搜索。
- 性能评估器：AutoGL 提供了多种性能评估指标，包括准确率、召回率等，帮助用户评估候选模型的性能。
BiGG: Large-Scale Graph Imputation Using Bipartite Graph Generative Models
BiGG是一种基于双分图生成模型的大规模图数据填充方法，旨在通过学习潜在的数据生成过程，对图结构进行缺失边的恢复和节点特征的推断。
主要贡献：
BiGG主要贡献在于提出了一种基于双分图生成模型的大规模图数据填充方法，可以高效地恢复缺失边和推断节点特征。其还提出了一种两阶段的训练框架，能够处理规模庞大的图数据。
CT-Layer: A Novel Graph Neural Network Layer with Continuous-Time Dynamics
CT-Layer是一种新颖的图神经网络层，旨在捕捉图数据中的连续时间动态。传统的图神经网络主要专注于静态图，而CT-Layer则将连续时间的动态性融入了图神经网络的模型中，使其能够更好地应对时间变化。
CT-Layer的主要贡献：
- 引入了连续时间动态性：通过引入连续时间动态性，CT-Layer使得图神经网络能够更好地适应时间变化。
- 精确建模时间演化过程：CT-Layer能够精确地模拟图数据中节点和边的时间演化过程，从而提高了模型的准确性。
- 改善了模型性能：实验证明，CT-Layer相较于传统的图神经网络，在处理时间动态性数据时能够取得更好的性能表现。
ChebNet
ChebNet是一种基于Chebyshev多项式的图神经网络模型，旨在解决对图数据进行学习和预测的问题。ChebNet采用了空间域卷积的思想，通过构造邻接矩阵的Chebyshev多项式来进行图卷积操作，从而实现对图数据的特征抽取和表示。
ChebNet的核心思想是将图数据的特征分解为一系列Chebyshev多项式的线性组合，通过这种方式进行图卷积操作。具体来说，ChebNet首先对输入图数据进行正则化处理，然后通过递推关系计算Chebyshev多项式的级数，并将其应用于邻接矩阵。最后，使用卷积滤波器对特征进行聚合，得到节点的新表示。
论文的主要贡献：
- 提出了基于Chebyshev多项式的图神经网络模型ChebNet，通过构造邻接矩阵的Chebyshev多项式来进行图卷积操作，实现图数据的特征抽取和表示。
- 在特征聚合阶段，引入了ChebNet的卷积滤波器，将多个Chebyshev多项式进行加权求和，实现对节点特征的聚合。
- 提出了一种正则化方法，用于处理输入图数据中的异常值和噪声，提高模型的鲁棒性和泛化能力。
- 设计了一系列的实验验证了ChebNet的性能，在多个图数据任务上取得了优秀的结果，包括节点分类、图分类等。
