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

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

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

本研究提出一种使用特殊算法和线性代数工具来分析图神经网络 (GNNs) 的表征能力的方法，证明 NNG 可以优于 Weisfeiler-Lehman 算法，同时在图同构和图分类等数据集上进行充分实验证明了这种新型的 GNN 架构更具表达力的特点。

May, 2022

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

本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

Jun, 2023

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

本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

Nov, 2019

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