在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

Jun, 2021

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

本文通过使用互信息（mutual information）引入局部区域和全局区域的概念，并利用双层聚合对复杂的节点特征进行建模，实现了对于无序图中节点表示的高效学习和训练。同时，借助于自监督学习，将有限的标签数据结合互信息理论进行更加细致的标签预测，证明了本文提出的模型在各种图结构中都有着优越的表现。

Apr, 2021

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

May, 2022

本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。

Mar, 2020

本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

Nov, 2019

我们提出了一个新的模型无关的图神经网络（MaGNet）框架，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上，我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界，并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究，证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外，我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究，从而突显了它在推动科学研究方面的有效性。

Sep, 2023

提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

Jun, 2024

该研究提出了一种基于图神经网络和潜在空间的方法，以降低图的复杂度从而实现对视觉特征的非局部关联表示，并在三项主要的视觉识别任务上展示了其具有较高的性能和较低的计算成本。

May, 2019