本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

Jan, 2018

本研究提出一种新的方法EvolveGCN，其结合了时间因素和图卷积网络(GCN)模型，利用循环神经网络(RNN)来推动GCN参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

Feb, 2019

本文介绍了深度学习在图数据处理方面的应用，设计了一种基于局部和迭代方法的图表征学习通用方法，并探讨了研究挑战和应用领域。

Dec, 2019

Eigen-GNN是一种简单而有效的插件模块，通过将GNN视为一种降维类型并扩展初始降维基础，将图结构的特征空间与GNN相集成，从而提高了GNN在保留图结构方面的能力，并在节点分类、链接预测和图同构测试等任务中表现出良好的灵活性和有效性。

Jun, 2020

本文提出了一种名为IDGL的端到端图学习框架，可以联合学习图结构和图嵌入，并将图学习问题转化为相似度度量学习问题，使用图正则化来控制学习图的质量，使用基于锚点的近似技术提高其可伸缩性。IDGL模型在九个基准测试中表现优异，并能够更好地应对恶意图和在归纳和转导学习中的应用。

Jun, 2020

该论文提供了第一个针对具有一个隐层节点信息卷积的图神经网络（GNN）的可证明有效的学习算法，并开发了一种综合性框架来设计和分析GNN训练算法的收敛性。提出的算法适用于各种激活函数，包括ReLU，Leaky ReLU，Sigmoid，Softplus和Swish，并对样本复杂度进行了特征化。数值实验进一步验证了理论分析。

Dec, 2020

本研究提出了一种新的GNN架构，结合基于迭代算法的更新规则，解决了现有架构在过度平滑、长距离依赖和对抗攻击等方面存在的问题。结果表明该模型在各种场景下都表现出极高的稳健性和准确性。

Mar, 2021

针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

Dec, 2022

本文介绍一种新的问题设置，探索学习通用图结构学习模型以在开放环境下推广，从而进一步优化可适应特定图数据集的图结构，通过多个特定的 GNN 模型应对多样化数据集。

Jun, 2023

通过任务无关的图结构损失函数，我们提出了一种名为Graph structure Prompt Learning（GPL）的新型图结构预测学习方法，能够提高图神经网络（GNNs）的训练效果，进而有效学习内在的图特征，大幅提升节点分类、图分类和边预测任务的性能。

Jul, 2024