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

通过对图神经网络的线性化，本文将其拆成了基于图滤波和基于集合函数的两个部分，并发现在图滤波时采用线性结构，而在集合函数时采用非线性结构，得到了同样好的结果，从而提出了更简单且高效的建模方案。

May, 2019

该论文提出了一种名为G-GNNs的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种GNN的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs在Cora(84.31%)和Pubmed(80.95%)上建立了新的基准记录。

Oct, 2019

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

本文介绍了两种构建人工节点特征的类型，包括位置和结构节点特征，并提供了对于每一种任务，即位置节点分类、结构节点分类和图分类，为什么每种节点特征更加适合的见解。此外，通过在10个基准数据集上进行广泛实验，验证了我们的洞察力，从而为非属性图上的GNN不同人工节点特征之间的选择提供了实用指南。

Jul, 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

本文研究了四种流行的图神经网络模型，探究了在没有节点属性可用的情况下这些模型所学习的节点表示中纯粹编码的图的哪些属性，并表明其中两个将所有节点嵌入同一特征向量中，而另外两个生成与输入图上的行走数量有关的表示。值得注意的是，在图的某一层 $k>1$，结构不相似的节点如果具有相同长度的行走次数，则可以具有相似的表示。我们在真实数据集上经验证实了我们的理论发现。

Apr, 2023

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

本论文从理论角度探索了具有不可数节点特征表示的图神经网络的表征能力，提出了一种新颖的软同构关系图卷积网络（SIR-GCN），并通过与其他常用图神经网络的数学关系进行验证，证明其在简单节点和图属性预测任务中优于其他模型。

Mar, 2024

用TinyGraph框架在大规模图上同时压缩特征和节点，通过匹配梯度实现特征压缩并保留关键信息，在减少节点和特征数量的同时仍能保持原始测试准确率的大部分。

Jul, 2024