本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。

Sep, 2016

本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

Apr, 2017

本文提出了更加普适和灵活的图卷积神经网络（EGCN），由任意形状的数据和它们的演化图拉普拉斯共同训练，以监督方式进行。通过对多个图结构数据集的大量实验，证明了此方法在加速参数拟合和显著提高预测精度方面具有优越性能。

Aug, 2017

本文探讨了谱图卷积网络（GCNs）在变量图结构和大小的情况下解决图分类任务的效力，提出了一种从多关系图中学习的新型多图网络，并成功地在多个化学分类基准测试中取得了竞争性的结果。

Nov, 2018

本研究提出ALMGIG——一个基于对抗学习的无似然方法，用于分子的生成，并成功地使用Wasserstein距离对分子的物理化学特性进行相似性计算。

May, 2019

基于含边界特征的层次化稀疏表示学习架构，提出了两种用于层次化图形表征汇聚的层，并在MoleculeNet数据集上进行了验证，结果表明该模型在药物发现领域是最先进的。

Aug, 2019

本文介绍了自同构基于的图神经网络（Autobahn），其将图分解为子图并应用局部卷积处理，使每个子图的自同构群等变。我们验证了我们的方法并将其应用于分子图，其结果与现有算法竞争有力。

Mar, 2021

文章调查了图形水平学习的方法，系统分类了传统学习、基于深度学习的图形水平神经网络、图形池，以及图形水平图神经网络，并总结了数据集、评估指标和未来方向等。

Jan, 2023

本研究解决了现有图模型预训练过程中未能充分利用网络内在连接的问题，提出了一种新颖的多分辨率结构信息建模策略。通过高阶排列等变自编码器（HOPE-WavePE），我们能够有效捕获图的全局结构并适应不同领域的数据集，展示了在图级预测任务中的卓越表现。

Sep, 2024

本研究针对图表示学习和图神经网络（GNNs）中的设计问题和实际应用进行了深入探讨。我们提出了一种创新的GNN模型，结合高级池化功能，以增强对复杂节点交互的捕获能力，从而在节点和图级任务中显著提升效果。研究表明，该模型在分子图生成和真实世界挑战的应对中表现优越，具有重要的应用潜力。

Nov, 2024