学习用于图形的卷积神经网络
该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。
Sep, 2016
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
本文提出了一种新的方式将图形表示为多通道图像结构，并使用普通2D卷积神经网络来处理，该方法比现有图形核和图形CNN模型更准确且时间复杂度更小，适用于多种真实数据集。
Jul, 2017
本篇论文提出了一种基于变量域的新型图卷积网络（TAGCN），通过设计一组可学习的固定大小的滤波器，用于对图执行卷积操作。这些过滤器在扫描图以执行卷积时，可以自适应地适应图的拓扑结构。与现有的谱CNN相比，TAGCN表现更好，并且比近期其他方法计算上更简单。
Oct, 2017
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。
Dec, 2018
本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。
Mar, 2020