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

本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

Apr, 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

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

通过使用可学习的图卷积层(LGCL)和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

Aug, 2018

本文探讨了谱图卷积网络（GCNs）在变量图结构和大小的情况下解决图分类任务的效力，提出了一种从多关系图中学习的新型多图网络，并成功地在多个化学分类基准测试中取得了竞争性的结果。

Nov, 2018

本研究提出一种新的方法EvolveGCN，其结合了时间因素和图卷积网络(GCN)模型，利用循环神经网络(RNN)来推动GCN参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

Feb, 2019

本研究提出了一种名为DGCN的新型GCN模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用DGCNs可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

文章调查了图形水平学习的方法，系统分类了传统学习、基于深度学习的图形水平神经网络、图形池，以及图形水平图神经网络，并总结了数据集、评估指标和未来方向等。

Jan, 2023

建立了一种可端到端学习的可微图生成器，用于动态构建拓扑结构和节点选择，应用于图卷积网络的轨迹预测、点云分类和节点分类等任务，提高了准确性。

Jul, 2023