残差门控图卷积网络
本文提出了一种结合无监督和有监督学习组成的方法，通过利用random walk方法和Gumbel-Softmax分布将图节点映射到节点序列，然后使用修改后的RNN神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。
May, 2018
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
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用，提出了四种图神经网络的分类，并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估，并提出了该领域的潜在研究方向。
Jan, 2019
本文提出了一种有效构建深度图神经网络的方法。该方法利用动力系统中固定点的思想，通过递归神经网络实现，并采用深度架构组织递归单元。我们证明了即使在没有训练递归连接的情况下，小型的深度图神经网络的性能也能达到或超过当前最先进的图分类任务水平。
Nov, 2019
针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。
Dec, 2022
提出一种名称为动态进化的初始残余图卷积网络（DRGCN）的新型模型，通过动态和进化块建模残差演化模式来有效缓解深GCNs中的超平滑问题，并在各种基准数据集上优于现有的最新技术，其代码可以在GitHub上复现。
Feb, 2023
本研究以k-hop子图聚合为基础，提出了一种新的GNN表达能力分析视角和名为SDF的基于采样的节点级剩余模块，理论推导和大量实验证明SDF模块比以前的方法具有更高的表达能力和更高的效率。
May, 2023
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手CNN的良性过拟合的范围，并且在梯度下降训练后， GNNs和MLPs在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。
Jun, 2023