本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。

Sep, 2016

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

该研究提出了一种名为N-GCN的模型，将图卷积网络和随机游走中的信息融合，训练多个GCNs实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

Feb, 2018

本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

Jul, 2019

本文提出了一种新颖的基于图卷积网络的 SSL 算法，通过利用数据相似性和图结构来丰富监督信号，从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系，并在各种实际数据集上取得了显著的分类性能，与现有最先进的方法进行了比较。

Sep, 2020

GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.

Jan, 2022

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

本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为tsGCN的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。

Jan, 2023

本文通过在统一的优化框架中理论讨论了传统浅层学习方法与基于图卷积网络（GCNs）的关系，并提出了三种简单但强大的图卷积方法，包括有监督方法OGC以及两种无监督方法GGC和其多尺度版本GGCM，最后通过大量实验证明了我们方法的有效性。

Sep, 2023

我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络GLDGCN，并将其应用于半监督节点分类任务，在Citeseer、Cora和Pubmed三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使GCN能够处理大规模图数据并提高其应用价值，在PPI数据集（超过50,000个节点）和Reddit数据集（超过200,000个节点）上也表现良好。

Apr, 2024