本文探讨了标签传播 (LPA) 算法与图卷积神经网络 (GCN) 在节点分类领域中的关系，并基于理论分析提出了一种端到端模型，它将标签传播作为正则化来协助 GCN 学习正确权重，提高了节点分类的准确性。

Feb, 2020

无标记信息传递层在图神经网络中被探索，与完全训练的 MPNN 相比，能够在链路预测中表现出竞争性和优越性能，尤其在存在高维特征的情况下，并通过理论分析将其与基于路径的拓扑节点相似度测量相关联。因此，无标记信息传递架构被视为一种高效且可解释的链路预测方法。

Jun, 2024

本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

Jan, 2021

本文中，我们介绍了一种更优的传统标签传播算法（LPA）的分析方法，它可以利用有用的先验信息，具体而言是无标签数据上的概率假设标签。我们提供了一个误差界限，它利用了底层图形的局部几何特性和先前信息的质量。我们还提出了一个框架来整合多个来源的嘈杂信息。我们在多个基准弱监督分类任务上演示了我们的方法的能力，并展示了对现有半监督和弱监督方法的改进。

Oct, 2022

该论文提出了一种名为 LaMP 神经网络的方法用于多标记分类问题，通过利用基于注意力的神经消息传递来有效地建模多标签的联合预测，并在七个真实世界的多标记分类数据集上验证了模型在准确性、可解释性和适用性方面的优越性，该模型具有可并行化、直观解释等特点。

Apr, 2019

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

基于单元 RNN 的图单元消息传递（GUMP）通过应用单元邻接矩阵进行消息传递，提出了一种减轻 GNN 中过度压缩的方法，有效改善了各种图学习任务的性能。

Mar, 2024

本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服了解耦后的 GCN 的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。

Oct, 2020

通过实验证明，在许多标准的节点分类基准测试中，结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配，同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。

Oct, 2020

通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。

Sep, 2023