本文提出了一种新的框架，名为 HAGNN（Hybrid Aggregation for Heterogeneous GNNs），可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性，通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息，获得了优于现有异构 GNN 模型的效果。

Jul, 2023

本文提出了 Policy-GNN 方法，通过 meta-policy 学习采样策略和消息传递，以解决 GNN 中的聚合优化问题，提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。

Jun, 2020

本研究扩展了图神经网络的理论框架来包含连续特征，并提出了基于 Principal Neighbourhood Aggregation 的新型网络结构，探讨了多种聚合函数需求，旨在寻求更强大和稳健的模型。实验表明，该方法在多项任务上都具有优异的性能。

Apr, 2020

本文介绍了一个名为 Meta Weight Graph Neural Network 的模型，该模型可以自适应地构建不同节点的图卷积层来提高图神经网络的表达能力，其通过使用元权重模型来生成自适应图卷积来提高节点表示，并在真实和合成基准测试中进行了广泛的实验证明了其在处理具有不同分布的图数据方面具有出色的表现。

Mar, 2022

我们提出了一个新的模型无关的图神经网络（MaGNet）框架，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上，我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界，并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究，证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外，我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究，从而突显了它在推动科学研究方面的有效性。

Sep, 2023

本研究提出了一种基于二值网络参数的二值图神经网络模型，将其与现有的图嵌入方法相结合，可以提高模型效率和可扩展性，同时与当前最优性能相匹配。

Apr, 2020

本论文探讨了将二值化技术应用于图神经网络的方法，并成功设计了能够在 Hamming 空间内快速构建动态图的模型，实现了在准确性轻微损失的代价下在嵌入式设备上取得了显著的存储空间和时间扩展的效果。

Dec, 2020

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023

通过对代表性鲁棒性图神经网络的鲁棒性分析，我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器，并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题，在图神经网络中展开为鲁棒无偏的聚合层，并具有理论上的收敛保证。我们的综合实验证实了我们提出模型的强鲁棒性，剖析研究深入认识了其优势。

Nov, 2023

本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

Oct, 2020