图神经网络：方法和应用综述
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
本文介绍了如何使用简单的 GNN 架构来解决图着色的基本组合问题，并且展示了该模型在独立于训练数据的图数据上的泛化能力以及优于其他基线模型的表现。同时，我们还展示了如何将节点嵌入在多维空间中进行聚类，从而获得构造性解决方案。我们的结果有助于缩小人们对 GNN 算法学习的差距，并提供了符号推理与深度学习系统集成的可靠方法。
Mar, 2019
本文提出了基于图卷积神经网络的Graph Learning Network模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
该研究论文通过对GNNs的计算效率进行探讨，提供了该领域的回顾，包括对GNN的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结; 同时，提供了对当前软件和硬件加速方案的深入分析，并提出了一个面向硬件和软件的、图形感知和通信为中心的GNN加速器的愿景。
Sep, 2020
本文提出一种基于知识蒸馏的框架，利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明，该模型在5个公共基准数据集上相对于7个图神经网络的教师模型平均能提高1.4% - 4.7%的准确度，并且具有更可解释性的预测过程。
Mar, 2021
GNN可以作为一种新一代的数据驱动模型应用于通信网络的建模、控制和管理中，其优势在于可以应用于训练过程中未看到的其他网络和配置，以实现网络优化等诸多应用。
Dec, 2021
该研究综述了图神经网络和概率图形模型的交叉应用，探讨了GNN如何受益于PGM学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。
May, 2022
该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如GAT、GCN和GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。
Dec, 2022
本文总结和分类大规模图神经网络解决方案的重要方法和技术，并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。
May, 2023