该研究提出了一种基于路径积分的图神经网络 (PAN)，通过引入可学习的路径权重，相当于引入了最大熵随机游走，将图卷积和池化映射到了新的过渡矩阵上，其中的对角线项与子图中心度密切相关，提供了一种自然且适应性强的池化机制。PAN 可用于各种图数据大小和结构不同的情况，并在各种图分类 / 回归任务上取得了最先进的性能。

Jun, 2020

该研究论文通过扩展深度学习到图结构数据集，提出一种基于路径积分的图神经网络模型 (PAN 网络)，通过该模型中的卷积操作和节点的中心性得分以及边特征的处理，实现了对复杂异构图的预测任务。

Feb, 2023

本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

Nov, 2021

本文研究了基于图传递的神经网络（MPNNs），通过在频域设计非线性的自定义滤波器函数并使用任意大的感受野进行掩膜，其理论上比 1-WL 测试显得更加强大，且实际上具有与现有 3-WL 模型同样的性能，同时仍保持局部化。通过本方法可以实现 LOD 更新机制和输出谱复杂性，从而在许多下游任务中达到先进水平。

Jun, 2021

我们提出了多项式增强神经网络（PANNs），一种结合了深度神经网络（DNNs）和多项式逼近的新型机器学习架构。通过这些实验，我们证明了 PANNs 在回归和偏微分方程的数值解法上都比 DNNs 具有更好的逼近性能，同时在回归具有有限平滑性的函数时，也比多项式和基于 DNN 的回归方法具有更高的准确性。

Jun, 2024

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

本文引入 Path Neural Network 模型来提高图表达的表达能力，实验证明该模型比 1-WL 算法更加强大，且在图分类和图回归任务中表现良好。

Jun, 2023

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

本文提出 Path Aggregation Network（PANet）来提高神经网络中信息传递的效率，主要集中于基于提案的实例分割框架。具体来说，通过底层路径增强和自适应特征池化等方法来提高信息的传递效率，并建立了一个补充分支，以有效提高 Mask 预测的准确性。我们的方法在多个数据集上达到了最佳表现，具有简单易实现以及较小的计算复杂度。

Mar, 2018

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