1、参考其他研究者给出的该领域的reading lists：

例如，在异配图神经网络领域：

• Awesome Resource on Graph Neural Networks With Heterophily：https://github.com/alexfanjn/Graph-Neural-Networks-With-Heterophily

在图对抗攻击和防御领域：

• Graph Adversarial Learning Literature：https://github.com/safe-graph/graph-adversarial-learning-literature
• awesome-self-supervised-gnn：https://github.com/songshuhan/awesome-self-supervised-gnn
• DeepRobust：https://github.com/DSE-MSU/DeepRobust

 

2、优先选择该领域的综述（Survey）进行精读。

综述中会对该领域的基础进行介绍，并且对现有算法进行总结和分类。

采用方法1和方法2就可以基本拿到该领域的主要论文，然后按照自己的需求开始泛读和分类。

 

3、泛读该领域的论文并且进行分类：时间、会议、采用的方法。

 

4、进一步筛选出与自己的研究方向高度相关的论文，最好是顶会，开始精读。

例如对异配图神经网络中的第一类的论文《FAGCN》进行精读。

精读论文《FAGCN》笔记：https://blog.csdn.net/bunny___/article/details/139362158

精读时参考论文对应的源码深入理解，找源码的方法：https://blog.csdn.net/bunny___/article/details/141675905?spm=1001.2014.3001.5502。

 

5、如果想要针对某一篇论文进行进一步研究，查找该论文的相关论文：https://www.connectedpapers.com/。

可以找到本文引用的参考文献，从而学习更多的先验基础知识和更好地理解本文方法的来源：

同时注意本文中类似“本文的想法来自于论文X”或“本文在论文X方法的基础上进一步进行……”等表达提到的论文。例如，论文《Adversarial Examples on Graph Data: Deep Insights into Attack and Defense》（简称《IG-Attack》，笔记：https://blog.csdn.net/bunny___/article/details/141675847?spm=1001.2014.3001.5502）中提到的“we call this attack technique FGSM-like attack with integrated gradients, namely IG-FGSM”等，可以得知本文的重要参考是论文《FGSM》和论文《JSMA》。

还可以找到引用本文的论文，追踪最新的研究成果：