该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

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

本文提出了一种基于图卷积算子的深度神经网络模型，通过条件化过滤权值，在任意图上实现图分类，并在点云分类任务中创造新的最优表现

Apr, 2017

该论文研究了使用图形输入的卷积神经网络架构，通过采用多输入多输出的图形滤波器框架，对采用的图形滤波器加入附加结构，提出了三种较为简洁的架构，以减少模型参数、降低计算复杂度、简化训练过程并减少过拟合风险。模拟表明，所提出的简单架构具有与更复杂模型相似的性能。

Mar, 2018

本文介绍一种基于图卷积的滤波器方法，通过引入一个超参数为基本组件注入矩阵滤波器，用于提高深度图卷积神经网络预测性能。

Nov, 2018

提出了一种基于谱卷积神经网络 (CNN) 的新型图结构数据模型，称为分布式反馈环路网络 (DFNets)，它结合使用一类强健的谱图滤波器 (feedback-looped filters) 并具有更好的定位能力，同时获得较快的收敛速度和线性内存需求；实验结果表明，该模型在半监督的文档分类和知识图谱实体分类两个基准任务上都显著优于现有的方法。

Oct, 2019

本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在GNNs中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的GNNs以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用GNNs的相关研究。

Mar, 2020

本文介绍了 Efficient Graph Convolution（EGC），它是一种等向性图神经网络，通过使用空间可变自适应滤波器，始终优于可比较的非等向性模型，包括流行的 GAT 或 PNA 结构，提高了模型精度，降低了内存消耗和延迟，并具有加速器实现的特点，适合于现有结构的替代方案，并讨论了我们工作对社区提出的重要问题。

Apr, 2021

本文提出了Automatic Graph Convolutional Networks (AutoGCN)来捕获图信号的全部频谱，并自动更新图卷积滤波器的带宽，实验结果表明，AutoGCN比只能作为低通滤波器的基准方法有了显著的改进。

Jul, 2021

利用多样化光谱滤波的框架(DSF)，在光谱图神经网络的基础上，通过自动学习节点特定的滤波权重，平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式，从而提高节点分类任务的模型性能。

Dec, 2023