该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

May, 2016

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

本文研究基于图信号处理和卷积定理的图卷积神经网络方法，利用图傅里叶变换和谱乘法构建卷积和池化层，使用代数多重网格方法降低图分辨率，以深度学习方式解决机器学习中的空间不规则问题。实验结果表明，该方法在手写数字分类问题上的成绩优于传统CNN方法。

Sep, 2016

本文提出了一种基于图卷积算子的深度神经网络模型，通过条件化过滤权值，在任意图上实现图分类，并在点云分类任务中创造新的最优表现

Apr, 2017

该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

Jun, 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

本文介绍了一种基于图的CNN架构，采用节点变化的GF代替传统卷积，通过局部操作提取不同的本地特征，以解决在不规则域中信号处理的问题，并在综合实验中进行了测试。

Oct, 2017

该论文研究了使用图形输入的卷积神经网络架构，通过采用多输入多输出的图形滤波器框架，对采用的图形滤波器加入附加结构，提出了三种较为简洁的架构，以减少模型参数、降低计算复杂度、简化训练过程并减少过拟合风险。模拟表明，所提出的简单架构具有与更复杂模型相似的性能。

Mar, 2018

本文介绍一种基于图卷积的滤波器方法，通过引入一个超参数为基本组件注入矩阵滤波器，用于提高深度图卷积神经网络预测性能。

Nov, 2018

本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在GNNs中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的GNNs以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用GNNs的相关研究。

Mar, 2020