强大的图神经网络是否必要？对图分类的解剖
本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。
Oct, 2018
本文研究了基于图形信号处理的理论框架，用于分析图神经网络的性能，结果表明，图神经网络仅对特性向量进行低通滤波，且没有非线性流形学习属性。进一步研究了它们对特征噪声的鲁棒性，并提出了一些基于GCN的图神经网络设计洞见。
May, 2019
本文旨在建立不同传播机制之间的联合优化框架，总结了几种最具代表性的图神经网络，并提供了新的设计灵活性。本文还提出了两个考虑可调节图内核的新型目标函数，分别表现出低通或高通滤波能力，并提供了所提模型的收敛性证明和表达能力比较。
Jan, 2021
本文研究了图形分类问题中图神经网络是否必要，发现对于图分类来说，GNN不仅仅是其部分之和。同时，我们还发现，与特征不同，仅使用边进行预测的模型并不总是能够转换为GNN。
Mar, 2021
本研究提出了一种特征选择Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用softmax作为聚合的特征的正则化器和L2规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在9个基准数据集上创建了一种简单而浅的模型，取得了比现有GNN模型更好的性能。
Nov, 2021
本文提出了一种新的 GNN 框架，称为“核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为KerGNN的特殊情况，该方法在多个图相关任务中表现出具有竞争力的性能，并提高了模型可解释性与传统GNN模型相比。
Jan, 2022
不需要训练或测试过程中使用图神经网络的全新节点分类方法，通过平滑性约束、伪标记迭代和邻域标签直方图的三个关键组成部分，可以在标准流行基准测试中达到业界最先进的准确性，如引文和共购买网络。
Feb, 2024
图神经网络 (GNNs) 在各种图结构模式下的节点分类任务中已被证明非常有效。然而，现实世界的图通常展现出复杂的同构和异构模式的混合，使用统一的全局过滤器方法则不够优化。为解决这个问题，我们引入了一种新颖的 GNN 框架 Node-MoE，使用专家混合来自适应地选择不同节点的适当过滤器。广泛的实验证明了 Node-MoE 在同构和异构图上的有效性。
Jun, 2024
本研究针对图神经网络（GNNs）在表示与优化之间的差异提出了新的见解，指出现有的等价性研究忽视了优化问题。通过理论证明和实验验证，揭示了GNNs在图分类任务中存在的隐含归纳偏差，并展示了如何通过基于注意力的架构融入领域知识以更有效地识别一致子图。
Aug, 2024