本文提出了基于梯度的攻击方法，以解决离散图数据的难点，并基于此提出了第一个面向图神经网络的基于优化的对抗训练，可以提高不同梯度和贪心攻击方法的鲁棒性，同时不牺牲原始图的分类准确性。
Jun, 2019
本文提出了一种有效构建深度图神经网络的方法。该方法利用动力系统中固定点的思想，通过递归神经网络实现，并采用深度架构组织递归单元。我们证明了即使在没有训练递归连接的情况下，小型的深度图神经网络的性能也能达到或超过当前最先进的图分类任务水平。
Nov, 2019
本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为Pro-GNN的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性GNN模型以应对此问题。通过实验表明，Pro-GNN在防御敌对攻击方面表现优异。
May, 2020
通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。
Feb, 2021
研究图神经网络中的异质性标签与GNN对抗性攻击鲁棒性之间的关系，并且证实采用相应设计原则可以提高GNN的鲁棒性，实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性，并且采用防御机制可以使其鲁棒性更强，性能提高达18.33%。
Jun, 2021
本研究提出一种使用特殊算法和线性代数工具来分析图神经网络(GNNs)的表征能力的方法，证明NNG可以优于Weisfeiler-Lehman 算法，同时在图同构和图分类等数据集上进行充分实验证明了这种新型的GNN架构更具表达力的特点。
May, 2022
本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击，进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。
Jun, 2023
图神经网络性能分析基于随机图理论，GCN和GAT是关键研究领域，性能受到数据特征的影响，实验结果显示特定高阶结构对性能有负面影响。
Oct, 2023
验证了在图神经网络中引入拓扑扰动的稳定性，针对不同结构的EdgeNet框架证明其稳定性，以及参数空间的自由度与代表能力之间的关系和边缘网络参数矩阵与图移动算子的特征向量错配程度对稳定性的影响。
Dec, 2023
本研究针对图神经网络（GNNs）在表示与优化之间的差异提出了新的见解，指出现有的等价性研究忽视了优化问题。通过理论证明和实验验证，揭示了GNNs在图分类任务中存在的隐含归纳偏差，并展示了如何通过基于注意力的架构融入领域知识以更有效地识别一致子图。
Aug, 2024