本研究提出了一种自适应逐层采样方法和跨越较远节点的消息传递方法，以解决图形卷积网络在大规模图中的可扩展性问题，并通过实验验证了其有效性和更快的收敛速度。
Sep, 2018
本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。
Dec, 2021
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。
提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
通过对连续图扩散的角度解剖了线性 GCNs 的特征传播步骤，分析了为什么线性 GCN 不能从更多的传播步骤中受益。随后，我们提出解耦的图卷积（DGC），分离终端时间和特征传播步骤，使其更灵活，能够利用非常多的特征传播步骤。实验表明，我们提出的 DGC 显著改善了线性 GCNs，并使它们能够与许多现代非线性 GCNs 的变体竞争。
Feb, 2021
本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。
Jul, 2020
本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。
Jan, 2018
该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。
Jul, 2023
本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。
Oct, 2018
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。