m0_64920871的博客

原创 精读Community-Centric Graph Unlearning---论文总结

目前主流的确定性图遗忘框架（如 GraphEraser, GUIDE）大多遵循的范式。：为了追求子模型训练时间的均衡，往往采用强制的均衡划分（Balanced Partitioning），这破坏了图原本的拓扑结构，导致子图间原本相连的关键结构信息丢失。：每个子模型都需要独立代表原始图的特征，导致参数量大。遗忘时需要重新训练受影响的子模型并进行聚合，对于大图来说，时间和计算成本依然很高。为了解决上述问题，作者提出了一种新的范式和具体方法。：利用将原始图中的“社区”映射为新图中的“节点”。

原创 GIF: A General Graph Unlearning Strategy via Influence Function ---论文总结

为了计算上述公式，必须确定哪些邻居受到了影响。全图计算太慢，作者根据 GNN 的层数 k（聚合范围）定义了受影响的局部区域 Nk。根据论文Lemma 3删除节点 v。受影响区域：Nk+1​(v)(v的k+1跳邻居)解释：因为节点移除改变了拓扑结构，影响传播范围比单纯的特征传播更广。删除边 eij。受影响区域：Nk​(eij​)（边两端节点的 k跳邻居并集）。删除节点 v 的特征 xv。Nk​(v)（v 的k 跳邻居）。用户要求遗忘某节点/边/特征。

原创 Graph Unlearning---论文总结

近年来，随着《通用数据保护条例》（GDPR）、《加州消费者隐私法案》（CCPA）等法律法规的颁布，数据隐私保护成为了全球关注的焦点。其中最重要且最具争议的条款之一是。这意味着数据主体（用户）有权要求服务提供商删除其存储的个人数据。

原创 GNNDELETE: A General Strategy for Unlearning in Graph Neural Networks---论文总结

图神经网络已经成为处理图结构数据（如社交网络、生物分子、推荐系统）的主流工具。在现实世界中，图数据通常是动态演化的，不断有新的节点加入，也有旧的节点或边不再适用。

原创 What Matters in Graph Class Incremental Learning? An Information Preservation Perspective---论文总结

在现实世界中，图数据是持续生成的。例如在学术引用网络中，新的论文类型和引用关系不断出现。一个理想的文献分类器需要能够持续区分新型研究领域的文献，这正是图分类增量学习要解决的问题。

原创 Beyond Redundancy: Information-aware Unsupervised Multiplex Graph Structure Learning---论文总结

3、对比学习的局限性，传统对比学习通过最大化不同试图之间的交互信息来学习表示，但这仅适用于冗余视图，在非冗余多重图中，仅捕捉共享信息会导致视图特有信息的丢失，从而影响表示的质量和下游任务的性能。2、多重的非冗余性，传统方法假设“多个图信息差不多，重复的才是最有用的”，真实是：每个图都有自己独特的、对任务有用的信息，不能被其他图完全代替。：使得最终的变换矩阵是对称的、半正定的，具有很好的数学性质，并能被理解为在图上定义的一种。即：在已知其他所有视图的前提下，视图 i 能额外提供的关于任务 Y 的信息。

原创 LLMsasZero-shot Graph Learners: Alignment of GNNRepresentations with LLM Token Embeddings---论文总结

核心问题： 图机器学习，特别是图神经网络，在面对零样本场景时，泛化能力严重不足。所谓零样本，就是指模型在训练时完全没有见过目标数据集或目标任务的标签。现有方法的局限性：传统GNNs： 如GCN, GAT, GraphSAGE等，虽然在特定数据集和任务上表现出色，但其学习到的表征高度依赖于训练时的数据分布和任务目标，难以直接迁移到新的、未知的图数据上。自监督GNNs： 如DGI, GraphCL等，通过对比学习等方式进行预训练，减少了对标签的依赖。但在应用于下游任务时，通常仍需要一个任务特定的微调过程，这破坏

原创 RELIEF: Reinforcement Learning Empowered Graph Feature Prompt Tuning---论文总结

总结：本论文受大模型中提示边际效应启发，首次将强化学习引入图特征提示 tuning，提出了RELIEF方法。它通过序列决策，策略性地为图注入必要且轻量的特征提示，从而在少样本场景下显著提升了预训练GNN的下游任务性能。我们的核心贡献新视角：提出了通过添加“必要且轻量”的特征提示来增强预训练GNN性能的新思路，并设计了PCR和APM指标进行量化。新方法：首次将特征提示的添加过程形式化为序列决策问题，并提出了RELIEF这一基于混合动作空间RL的解决方案，集成了策略泛化技术以保证稳定性。强验证。

原创 Hypergraph Motif Representation Learning---论文总结

首次形式化并提出了“h-motif预测”问题一种新颖的、针对h-motif的负采样策略一种融合超图与图卷积的h-motif表示学习模型。

原创 Where to Mask: Structure-Guided Masking for Graph Masked Autoencoders---论文总结

这种方法不依赖于模型训练，而是直接使用现成的、经典的图论算法来给节点打分。核心思想：利用图本身固有的拓扑结构信息，通过一个固定的数学公式来定义节点的重要性。主要算法：PageRank算法PageRank简介：这原本是谷歌用来衡量网页重要性的算法。其基本思想是：一个被很多重要节点（网页）指向的节点，它自己也必然是重要的。一个节点指向的外链越少，那么它对每个被指向节点的“投票”权重就越高。在图中的体现。

原创 Cross-Domain_Graph_Level_Anomaly_Detection---论文总结

首次提出跨领域图级异常检测问题，并给出解决方案。提出ARMET，结合 GNN 与对抗域适应，适用于源域只有正常图的场景。引入结构特征提取器和类别对齐器，提升跨域表示的对齐与判别能力。在多个真实数据集上验证了方法的有效性。

原创 State of the Art and Potentialities of Graph-level Learning--论文总结（图综述）

以。

原创 排序链表(python)

给你链表的头结点head，请将其按排列并返回。

原创 python字符串基础语法

原创 GraphGPT: Graph Instruction Tuning for Large Language Models-----论文总结

使用强大的闭源模型（如GPT-3.5）为训练数据生成带CoT推理步骤的答案用这些高质量的CoT数据进行指令微调，教会GraphGPT分步推理（也就是用GPT根据问题，得到分步式推理回答。然后问GraphGPT同样的问题，通过损失函数训练它，使它的输出像GPT的回答一样，也就是让GraphGPT也学会像GPT一样推理）不需要增大模型的规模，就可以获得强大的推理能力范式创新：首次提出图指令微调范式，将LLM的强大泛化能力引入图学习领域。技术巧妙用图Token而非文本描述图结构，高效且保留信息。双阶段微调。

原创 两两交换链表中的节点

给你一个链表，两两交换其中相邻的节点，并返回交换后链表的头节点。你必须在不修改节点内部的值的情况下完成本题（即，只能进行节点交换）。

原创 两数相加（python）

给你两个的链表，表示两个非负的整数。它们每位数字都是按照的方式存储的，并且每个节点只能存储数字。请你将两个数相加，并以相同形式返回一个表示和的链表。你可以假设除了数字 0 之外，这两个数都不会以 0 开头。

原创 环形链表II(python)

给定一个链表的头节点head，返回链表开始入环的第一个节点。如果链表无环，则返回null。如果链表中有某个节点，可以通过连续跟踪next指针再次到达，则链表中存在环。为了表示给定链表中的环，评测系统内部使用整数pos来表示链表尾连接到链表中的位置（如果pos是-1，则在该链表中没有环。pos，仅仅是为了标识链表的实际情况。链表。返回索引为 1 的链表节点链表中有一个环，其尾部连接到第二个节点。返回索引为 0 的链表节点链表中有一个环，其尾部连接到第一个节点。返回 null链表中没有环。

原创 环形链表（python）

给你一个链表的头节点head，判断链表中是否有环。如果链表中有某个节点，可以通过连续跟踪next指针再次到达，则链表中存在环。为了表示给定链表中的环，评测系统内部使用整数pos来表示链表尾连接到链表中的位置（索引从 0 开始）。pos。仅仅是为了标识链表的实际情况。如果链表中存在环，则返回true。否则，返回false。true链表中有一个环，其尾部连接到第二个节点。true链表中有一个环，其尾部连接到第一个节点。false链表中没有环。-1。

原创 回文链表（python）

创建两个指针，快指针一次走两步，慢指针一次走一步 ，当快指针走到终点时，此时慢指针刚好位于中心位置。之后从中心位置开始，反转后半部分指针，比较前半部分指针和反转后的后半部分指针，若每个结点的值相同，则为回文。把链表中的数值，全部添加到数组中，之后使用切片反转，直接判断两个列表是否相等。，请你判断该链表是否为回文链表。给你一个单链表的头节点。

原创 反转链表（python）

当递归到最后一个节点时，将其作为新头返回，然后逐层回溯修改指针。2、反转节点的指针，是指针指向前一个结点curr.next=pre。pre:表示前面已经反转过的节点的第一个节点(初始为None)3、向前推进 pre=curr,curr=next_term。1、保存next_term=curr.next 防止断链。curr:表示当前正在处理的节点（初始为head）next_term:保存下一个节点，防止断链。，请你反转链表，并返回反转后的链表。注意：头指针和头节点的区别。逐个反转节点的next指针。