图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

Aug, 2023

本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

Feb, 2020

本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

Dec, 2021

本文提出了一种扩充并训练卷积神经网络的方法，使其学到的特征是组成式的，并促进对对象的分离。实验表明，这种组成式特征学习方法在目标识别任务中相比非组成式基线可以获得更好的性能提升。

Jun, 2017

本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

Jul, 2022

本文研究了具有协方差矩阵的图形卷积神经网络（coVariance 神经网络），证明了 VNN 具有出色的转移性能和在脑成像数据分析中的应用，通过具有多尺度的神经成像数据预测大脑年龄等任务的实验结果，论证了其比传统 PCA 方法更具有实用性，并验证了其对于阿尔茨海默病的优势与解释性。

May, 2023

本文提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用 GNN 的第一近似保证，FGNN 被证明是最具表现力的架构之一，在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。

Jun, 2020

机器学习中，关于多个交互对象的关系和动态推理是一个具有挑战性的话题，我们提出了一种基于广义坐标的 Graph Mechanics Network (GMN) 方法，来隐式地表达在受限制系统中的几何约束，并在模拟系统和现实世界中进行的广泛实验证明了 GMN 相对于最先进的 GNN 在预测精度、约束满足性以及数据效率方面的优势。

Mar, 2022

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

提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs)，SGCN 利用了空间特征来有效地学习从自然定位的图形中，经过实验证明，SGCN 优于现有的图形方法在图像分类和化学任务上的表现。

Sep, 2019