本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

Feb, 2020

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

本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

Jul, 2022

本文提出了一种名为 DeeperGCN 的新型 Graph Convolutional Networks，它有效地解决了深度较大的 GCNs 存在的梯度消失、过度平滑和过度拟合等问题，实现了对大规模图数据的成功且可靠的训练，并在 Open Graph Benchmark (OGB) 上进行的实验证明其在节点属性预测和图形属性预测的大规模图形学习任务中比现有技术有显著提高。

Jun, 2020

本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

Aug, 2018

本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

Oct, 2019

本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

Sep, 2018

本研究对图神经网络进行深入探究，提出了解决深度学习中过度平滑问题的新方法，并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。

Jul, 2020