本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

Oct, 2020

本文提出了 Policy-GNN 方法，通过 meta-policy 学习采样策略和消息传递，以解决 GNN 中的聚合优化问题，提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。

Jun, 2020

本文提出 P-GNN 方法，通过采样锚节点集并计算给定目标节点相对于所有锚节点的距离，从而学习距离加权聚合方案以产生具有位置感知能力的节点嵌入。实验结果表明该方法能有效地提升节点在图结构中的位置特征提取能力，达到了较好的实验效果。

Jun, 2019

该论文主要研究了一种新颖的元聚合方案，以二值化图神经网络（GNNs）为目标，并提出了两种元邻域聚合方法来提高 GNNs 的表达能力，实验表明，该方法的表现优于现有技术。

Sep, 2021

通过应用信号传播理论，我们提出了一种保持表达能力但具有改进的前向和后向动力学的方差保持聚合函数 (VPA)，实验证明 VPA 能够提高流行的 GNN 架构的预测性能和学习动力学，这可能为无归一化或自归一化 GNN 铺平道路。

Mar, 2024

本文为了解决图神经网络结构设计中的耗时领域，提出了一种自动化图神经网络（AGNN）框架，使用强化学习的控制器去贪婪地验证架构，可以在预定义的搜索空间内找到最优的 GNN 架构，实现了参数共享的优化，可以大幅提升搜索效率，并在真实世界的基准数据集上进行了实验证明。

Sep, 2019

本文研究图神经网络在异构图上的应用问题，并提出了一种名为 NARS 的分类器，使用邻居平均特征进行多元关系子图采样，该方法取得了比 GNN 更准确且更具成本效益的结果。

Nov, 2020

该研究探索了卷积神经网络在图信号处理方面的应用，通过构建选择图神经网络和聚合图神经网络，对信号的卷积和池化进行了重新解释，实现了在图数据上的卷积神经网络。此外，该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。

May, 2018

对现有的图神经网络聚合编程抽象方法进行综合评估和分析，比较它们的性能和效率，并基于分析结果提供未来图神经网络加速的几个见解。

Oct, 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