该论文分析了深度图神经网络的瓶颈问题以及提出了一种基于狄利克雷能量的通用原则，通过该原则设计了一种新型深度图神经网络框架 - EGNN，并在实验结果中取得了最新颖的表现。

Jul, 2021

本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

Oct, 2021

本文提出基于超图正则化能量函数的多个超图神经网络，论述了如何将最小化这些能量的结点嵌入技术，与参数化分类器结合进行端到端训练的过程，并通过实验证明了其优秀性能。

Jun, 2023

提出了一种用于结构预测的能量网络，能够同时建模明确局部和隐式高阶关联，同时保持推理的易计算性，并将该方法应用于自然语言处理和计算机视觉任务，展示了其广泛实用性。

Oct, 2019

本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

Oct, 2018

将 Gradient flows 用于 Graph Neural Networks 的形式体系上，提供了一种物理学启发式的解释：将 GNN 视为 “在特征空间中学习粒子动力学”，并证明了正 / 负特征通道混合矩阵的特征值对应相邻特征之间的引力 / 排斥力，这使得 GNN 能够处理不同特征的异质性图。

Jun, 2022

该研究提出了一种基于双层优化的异构图神经网络结构，其可以有效处理节点分类任务中的深度模型中可能出现的 oversmoothing 问题，并捕获异构图结构数据的长程依赖关系，同时能够建模不同节点类型之间的异质性关系，避免了过度平滑效应。实验结果表明，该模型可以取得有竞争力的节点分类精度。

Jun, 2022

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如 GAT、GCN 和 GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。

Dec, 2022

本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。

Nov, 2020