本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

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

本文介绍 HyperGCN，一种用于属性超图上的半监督学习以及组合优化的图卷积网络，旨在解决超图中普遍存在的复杂关系建模问题。

Sep, 2018

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

该研究提出了一种名为 N-GCN 的模型，将图卷积网络和随机游走中的信息融合，训练多个 GCNs 实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

Feb, 2018

本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核 GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。

Sep, 2020

本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。

Oct, 2018

本研究提出一种新的方法 EvolveGCN，其结合了时间因素和图卷积网络 (GCN) 模型，利用循环神经网络 (RNN) 来推动 GCN 参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

Feb, 2019

提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019

本研究分析了 GCN、GCN with bias、ResGCN 和 APPNP 模型的节点特征收敛过程，并提出了 DropEdge 来缓解过平滑问题，其在模拟数据和多个真实基准测试上均表现出显著性能提升。

Aug, 2020