本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

Aug, 2021

提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型，它可以进行关系特定的采样和跨关系卷积，从而更好地将图的结构异质性编码到嵌入空间中，与其他现有的图学习模型相比，其性能得到了最大 17.8％的提升。

Oct, 2022

该研究提出了一种具有分层分类器的卷积网络，用于每像素的语义分割，能够在多个异构数据集上进行训练和利用它们的语义层次结构。

Mar, 2018

通过使用异构卷积内核，我们提出了一种新颖的深度学习架构，在减少计算量和参数数量的同时保持代表性效率，实现了在 VGG 和 ResNet 等 CNN 架构中 3 到 8 倍 FLOPs 的速度提升，并与组 / 深度卷积进行比较，证明其具有更高的准确性和更多的 FLOPs 减少。

Mar, 2019

该研究提出了一种新的基于图的神经网络的多视图方法，它开发了一种系统和方法论的调整，针对非欧几里得流形的上下文进行了卷积、池化和多视图结构等经典深度学习方法的关键概念，提出了一种新的基于视图的卷积层和新的视图池化层，以综合从多个视图生成的信息，并在端到端的图神经网络架构中用于图分类，并展示了与其他最先进方法相竞争的结果。

Jul, 2020

本文提出了一种新的异质图卷积方法 HGConv，它能够在不同层面上直接进行卷积操作，以学习全面的节点表示，并具有良好的可解释性。在各种任务中的实验结果表明，HGConv 不仅优于现有方法，而且对于图形分析具有直观的可解释性。

Dec, 2020

本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

Mar, 2017

该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

Jul, 2020

本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

Jul, 2023

本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

Sep, 2018