使用简单复合体传递信息的 MPSNs 模型比传统的图神经网络有更广泛的表达能力，可以用于多级交互和区分非同构简单复合体。

Mar, 2021

提出了一种基于 1-WL 和邻居之间的边缘考虑的 NC-1-WL 算法，实现了图同构测试，提高了图神经网络的可表达性；进一步提出了 NC-GNN 框架作为 NC-1-WL 的可微分神经版本，能够在各种基准测试中实现出色的性能。

Jun, 2022

本文提出了 CIN++，一种增强的细胞同构网络，通过允许细胞在每层中接收较低的信息，提供高阶和长程交互的更全面的表示，从而在大规模和长程化学基准测试中取得了最先进的结果。

Jun, 2023

本文研究了图神经网络以及其理论背景并将其与 $1$-WL 算法相对比，提出了 $k$-dimensional GNNs 这一扩展方法，证明了它在处理社交网络和分子图像等高阶结构方面的有效性。

Oct, 2018

本文提出了一种基于细胞复合体的神经网络结构 ——Cell Complexes Neural Networks (CXNs)，它是一种通用、组合和统一的构造。我们介绍了一种在细胞复合体上进行消息传递的方案，该方案考虑了底层空间的拓扑性，并将消息传递方案推广到了图上。最后，我们介绍了一个统一的细胞自编码器框架，它使得在欧几里得空间内学习给定细胞复合体的表示成为可能。特别地，我们展示了在 cell2vec 这个特殊情况下，我们的细胞复合体自编码器构造可以对 node2vec 进行泛化。

Oct, 2020

图神经网络在各个领域取得了显著进展，但受到称为 1-Weisfeiler-Lehmann 测试的理论约束。尽管最新的高阶图神经网络可以克服这个限制，但它们通常集中于某些图的组成要素，如团或环。然而，我们的研究选择了一条不同的路线，侧重于路径，这在任何图中都是固有的。我们能够构建一个更一般的拓扑视角，并将它与其他拓扑领域的一些已有理论建立联系。有趣的是，在不对图的子结构作出任何假设的情况下，我们的方法在该领域超过早期的技术，达到了几个基准上的最先进性能.

Aug, 2023

通过线性和非线性混合机制对降维复合体进行数据增强，提出一种凸聚类混合方法来处理多个降维复合体之间的数据驱动关系，实现了对现有数据的合成插值，并在简单复合体分类的合成和实际数据集上进行了方法验证。

Sep, 2023

本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

Apr, 2020

基于随机游走和快速一维卷积的单纯复合神经网络学习结构（SCRaWl），在考虑到高阶关系的同时，通过调整考虑的随机游走的长度和数量来调节计算成本的增加，从而超越现有的消息传递单纯复合神经网络，并在真实数据集上进行了验证。

Apr, 2024

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