研报总结
1. 网络建模与表示学习
网络是描述复杂系统的通用语言，应用于金融、社交、生物等领域。网络表示学习将节点嵌入低维向量空间，支持节点分类、链路预测等任务，并易于并行处理及结合经典机器学习方法。
2. 深层模型与图神经网络
浅层模型如Laplacian eigenmaps和DeepWalk，深层模型则应用神经网络聚合邻居信息，如GCN、GraphSage、GAT等图神经网络（GNN）。
3. 开放环境下的图神经网络挑战
开放环境中的图神经网络需应对异质性（多种节点和边类型）、动态性（图结构和属性演化）、稀疏性（交互和属性稀疏）及脆弱性（易受攻击）等挑战。
4. 开放环境下图神经网络框架
- 异质图神经网络HAN：通过元路径融合多类型节点和边信息，支持丰富的语义表达。
- 动态图神经网络MetaDyGNN：结合元学习处理动态网络中稀疏链接的预测任务，通过轻量级动态GNN模块和分层元学习提取通用知识。
- 稀疏图神经网络HeCo：采用协同对比学习设计异质对比机制，选择合适的视图覆盖局部和高层结构，设置困难对比任务以增强信号。
- 对抗图神经网络RoHe：针对GNN的脆弱性，提出基于元路径的聚合框架，通过迁移先验模块和邻居净化模块提升鲁棒性。
5. 应用：禁止项检测
- 基于异质风险图HSPD：构建风险关系图，通过异质自监督学习和自训练检测禁止项，有效利用结构信息并减少标签依赖。
- 基于图结构学习GSL：通过迭代结构优化和异质结构学习，克服现有GNN对高质量结构的依赖，提升稀疏场景下的性能。
6. 结论
开放环境引入异质性、动态性、稀疏性和脆弱性挑战，需通过公平性、鲁棒性和可解释性设计提升嵌入可靠性。实际应用包括软件工程、生物系统和大规模工业场景。
7. 更多材料
详见作者网页：www.shichuan.org
