GNN-FiLM: 具有特征线性调制的图神经网络
本文提出了一种新的图神经网络架构，用局部邻域中节点特征的分布分析替代了传统的信息传递方式，并通过直方图交集核函数将这些特征的相似性信息传播到网络中的其他节点，从而创造了一种类似于信息传递的机制。我们通过剔除实验评估了网络在不同超参数选择下的性能，并在标准图分类和回归基准测试中对模型进行了测试，结果表明它在性能上优于常用的图核函数和图神经网络方法。
Jan, 2024
本文提出 ReFactor GNNs 架构，实现了在较少参数使用的情况下，在诸多知识图谱完成基准测试中达到与 FMs 相当连接性能的跨语境性，同时在归纳性能方面达到最新水平，同时结合了因子分解模型和图神经网络的优点。
Jul, 2022
该论文将图神经网络和终身学习相结合，通过引入特征图拓扑结构并将节点转换为独立的图来将节点分类问题转化为图分类问题，实现了对经典图数据集的连续学习，并在人体动作识别和特征匹配等领域达到了卓越的性能。
Sep, 2020
提出了一种基于 1-WL 和邻居之间的边缘考虑的 NC-1-WL 算法，实现了图同构测试，提高了图神经网络的可表达性；进一步提出了 NC-GNN 框架作为 NC-1-WL 的可微分神经版本，能够在各种基准测试中实现出色的性能。
Jun, 2022
本研究提出 GRAFENNE ，通过对原始图进行新颖的异质性转换和精心设计的消息传递框架，使得模型参数大小与特征数量无关，并能够识别未见过的节点和特征，解决了图神经网络中特征变化带来的挑战，并在四个真实图上展示了良好的实际应用效果。
Jun, 2023
本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。
Sep, 2022
我们提出了一种能够有效捕捉高阶关系进行推理和学习的因子图神经网络模型，并通过适当选择信息聚合操作，实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。通过在真实和合成数据集上进行广泛的实验评估，证明了该模型的潜力。
Aug, 2023
本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。
Oct, 2019
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