本文提出了一种专门针对地震震中和天气预测等问题的图形卷积递归神经网络 (GCRNN) 架构，使用卷积滤波器组保持可训练参数的数量与图形尺寸和时间序列无关，并提出了 Gated GCRNNs，一种类似于 LSTM 的时间门控变体。在使用合成和实际数据进行的实验中，与 GNN 和另一种图形递归架构相比，GCRNN 显着提高了性能，同时使用的参数数量要少得多。

Mar, 2019

本文介绍了图递归神经网络 (GRNNs) 作为一种利用递归隐藏状态与图信号处理 (GSP) 相结合的学习框架，以学习来自于图处理中的时空结构。结果表明，GRNNs 在长期依赖问题上的表现优于 GNNs 和 RNNs。

Feb, 2020

本文提出了一种基于 gated relation network 的卷积神经网络模型，用于更好地捕捉词汇间的长期关联以用于命名实体识别，实验结果表明，该模型可以在 CoNLL2003 和 Ontonotes 5.0 数据集上实现最先进的性能。

Jul, 2019

使用水平门控循环单元层，可以取得与甚至优于当前最先进的深度学习结构相当的效果，在长空间范围内检测相互依赖的视觉特征上表现出色。

May, 2018

本研究提出一种新型的循环神经网络结构，即门控反馈循环神经网络，通过全局门控单元来控制和允许来自上层循环层到下层层的信号，改进了现有的多层循环层叠加方法，我们评估了不同类型的循环神经元，如 tanh，长短时记忆和门循环单元，在字符级语言建模和 Python 程序评估等任务上，实验证明 GF-RNN 优于传统方法构建深度堆叠循环神经网络，因为 GF-RNN 可以通过学习对这些交互进行门控从而自适应地将不同的层分配给不同的时间尺度和层间交互。

Feb, 2015

本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。

Dec, 2016

提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题，可以对 AMR 图和基于语法的神经机器翻译进行生成，实验结果表明该模型优于强基线模型。

Jun, 2018

我们提出了一种基于图的关注机制模型（GRAM），通过对医学本体的层级信息进行补充，将医疗电子记录 (EHR) 描述成医学本体中的祖先组合形式，并通过自适应关注机制实现对医学本体的解释性学习，提高了医疗预测建模的准确性和解释性。

Nov, 2016

本文介绍了一种非常简单的门控循环神经网络，其在基于单词的语言建模任务上实现了与 LSTM 和 GRU 等著名门控架构相媲美的性能且证明了该模型具有简单、可预测和非混沌的动力学，这与传统的门控架构形成了鲜明对比。

Dec, 2016

该论文介绍了一种基于变分推断的 dropout 新技术，并探讨了如何将其应用到 LSTM 和 GRU 模型中，这种方法表现优于现有技术，并在语言模型中取得了最佳结果。

Dec, 2015