本文提出了一种新型 GCNs 模型：自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。

Jul, 2020

本文介绍了一种二进制图卷积神经网络（Bi-GCN），它将网络参数和输入节点特征进行二元化，并将原始矩阵乘法改为二进制运算以加速计算，并使用一种新的梯度逼近反向传播方法来训练我们的 Bi-GCN。实验表明，与全精度基线相比，Bi-GCN 在节省内存资源方面平均可以减少约 30 倍，并平均加速推理速度约 47 倍，并且该二进制方法还可以轻松应用于其他 GNNs。

Oct, 2020

本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

Aug, 2019

本文提出了一种异构图卷积网络建模方法 HeteGCN，结合了 predictive text embedding (PTE) 和 TextGCN 的优点用于文本分类，以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个 HeteGCN 架构中学习特征嵌入并派生文档嵌入，将 TextGCN 简化为几个 HeteGCN 模型，从而简化了模型参数，以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。

Aug, 2020

基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

Mar, 2024

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

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

本文提出 TensorGCN 框架，基于图卷积神经网络进行文本分类，结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调，实现了在不同种类图中集成异构信息的有效方式。

Jan, 2020

本文介绍了一种基于复制节点的图形生成模型，将其纳入贝叶斯 GCNN 框架内，并利用节点特征和训练标签来推断图形拓扑结构，实验证明该算法在基准节点分类任务中表现优异。

Nov, 2019

本文提出了一种名为 CTR-GC 的新颖通道逐层细化图卷积方法，它可以动态学习不同的拓扑并有效地聚合骨架动作识别中不同通道的联合特征。CTR-GC 模型通过学习所有通道的通用拓扑以及为每个通道提供通道特定的关联来建模通道的拓扑结构。该方法引入了少量的额外参数，并显著降低了建模通道拓扑结构的难度。此外，CTR-GC 通过将图卷积重新定义为统一形式，放宽了图卷积的严格约束，导致其表示能力更强。结合时间建模模块，我们开发了一种强大的图卷积网络 CTR-GCN，它在 NTU RGB + D、NTU RGB + D 120 和 NW-UCLA 数据集上明显优于最先进的方法。

Jul, 2021