本文提出了更加普适和灵活的图卷积神经网络（EGCN），由任意形状的数据和它们的演化图拉普拉斯共同训练，以监督方式进行。通过对多个图结构数据集的大量实验，证明了此方法在加速参数拟合和显著提高预测精度方面具有优越性能。
Aug, 2017
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
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
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
本文介绍了一种基于图的 CNN 架构，采用节点变化的 GF 代替传统卷积，通过局部操作提取不同的本地特征，以解决在不规则域中信号处理的问题，并在综合实验中进行了测试。
Oct, 2017
该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图，通过实验结果证明了这种方法的优越性。
本文研究了将深度学习方法推广到图论领域，通过对比 RNN 和 ConvNet 的效果，将门控边缘和残差技术用于设计神经网络对图学习任务进行分类，获得了比现有方法更高的准确率和更快的速度。
Nov, 2017
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
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。