该研究提出了面向图形学习设置的新型 Differential Privacy (DP) 方法框架 Graph Differential Privacy (GDP)，并介绍了 Differentially Private Decoupled Graph Convolution (DPDGC) 模型，以实现对网状结构的隐私保护和优良的预测精度，进而在七个节点分类基准数据集上展示了其优异的隐私 - 实用性权衡。
Jul, 2023
本文提出了一种新的神经网络架构 LPGNet，用于处理带有隐私敏感边缘的图形。该网络通过巧妙地设计边缘结构的使用方式，在训练中提供差分隐私（DP）保证，并在多个数据集中进行了实证研究，表现出了较好的实用性和隐私安全性。
May, 2022
本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。
Jun, 2020
本文提出了一种基于隐私保护子图采样的分布式图卷积网络训练方法（PPSGCN），它避免了现有方法中直接交换不同客户端之间节点特征导致的数据隐私泄露问题，并且通过采样局部节点子集形成全局子图方式大大降低了通信和内存成本，在保护数据隐私的前提下具有更加优异的性能表现。
Oct, 2021
本文介绍了一种基于图卷积神经网络的文本分类算法 (Text GCN)，该算法利用单一的文本图构建并联合学习词和文本的表征，经实验表明，将该算法应用于多个基准数据集后，在无需外部词嵌入和预先知识的情况下，文本 GCN 仍可优于现有的文本分类方法。
Sep, 2018
本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。
Mar, 2022
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
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
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
本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。
Apr, 2020