本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

Jan, 2018

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

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

该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

Nov, 2017

本文介绍了一种将谱网络与图估计过程相结合的方法，用于构建小学习复杂度和处理没有强规律的领域的深层神经网络，并在大规模分类问题中测试并达到更好的性能。

Jun, 2015

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

本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

Aug, 2018

本论文提出了一种新的结构化图卷积算子，可以复制二维卷积权重，将传统 CNN 训练的能力转移到新的图网络，从而可以处理非矩形数据，不需要在大型数据集上进行领域特定的训练。作者还展示了将预训练图像网络应用于分割、风格化和深度预测等多种数据形式，并得出了相应的实验结果。

Jul, 2022