祝贺实验室硕士研究生黄靖的学术论文《UniGNN: a Unified Framework for Graph and Hypergraph Neural Networks》(by Jing Huang, Jie Yang) 被人工智能领域重要会议 International Joint Conference on Artificial Intelligence 2021（IJCAI 2021） 录用。

       文中提出了一个解释图和超图神经网络中消息传递过程的统一框架UniGNN，它可以将一般的GNN模型推广到超图中。在这个框架中，旨在深化GNNs的精心设计的体系结构也可以以最少的努力被合并到超图中。文中已经进行了大量的实验来证明UniGNN在多个真实数据集上的有效性，这在很大程度上优于现有的方法。特别是对于DBLP数据集，将半监督超节点分类任务的准确率从77.4%提高到88.8%。文中进一步证明了所提出的基于消息传递的UniGNN模型在区分非同构超图方面与一维广义Weisfeiler-Leman（1-GWL）算法一样强大。

      代码链接：https://github.com/OneForward/UniGNN