本论文提出了一种基于子结构编码的、具有拓扑感知的信息传递方案 —— Graph Substructure Networks，并通过理论分析和实验评估证明其优于 Weisfeiler-Leman 测试，并在分子图和社交网络等多个领域取得了最先进的结果。

Jun, 2020

本文提出了一种称为 GNN-AK 的框架，旨在将任何 MPNN 提升为具有更高表达能力的模型，通过扩展 MPNN 中的局部聚合算法到更一般的子图模式，以提高实用性能，同时维持可扩展性；这种方法被证明比常见的 Weisfeiler-Lehman 同构测试更具表达能力，可以用于多个图机器学习任务中.

Oct, 2021

该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

Dec, 2021

本文提出了一种新的 GNN 框架，称为 “核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为 KerGNN 的特殊情况，该方法在多个图相关任务中表现出具有竞争力的性能，并提高了模型可解释性与传统 GNN 模型相比。

Jan, 2022

本文研究了一种基于图神经网络的图形子结构计数方法，探讨了各种常见图神经网络的表达能力和局限性，提出了一种新的本地化关系池化模型并在分子预测任务上取得了有竞争力的性能。

Feb, 2020

我们改进了核图神经网络 (KGNNs) 的设计与学习，通过扩展其算法形式并引入自我监督方法，提出了一种更灵活且结构保持的图数据增强方法 (latent graph augmentation)，实验证明我们的模型在图分类任务上达到了与先进方法相媲美甚至优于其的竞争性性能。

Oct, 2023

该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 RWK+Conv 层在图级任务上的有效性，并说明了 RWK + 和 RWK+Conv 在各种真实世界应用中的适应性。

Feb, 2024

Graph neural network 模型 GKAN 通过使用基于样条函数的边缘激活函数，提高了准确性和解释性，在节点分类、链接预测和图分类任务上胜过了最先进的图神经网络模型。此外，GKAN 的设计本身提供了对模型决策过程的清晰见解，消除了事后解释性技术的需求。

Jun, 2024

该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。

May, 2018

本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。

May, 2023