本文介绍了一个综合性框架，用于描述图神经网络在任何拓扑特征上的拓扑感知能力，并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果，发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化，同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。
Mar, 2024
本研究提出了一种特征选择 Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在 9 个基准数据集上创建了一种简单而浅的模型，取得了比现有 GNN 模型更好的性能。
Nov, 2021
本文提出了一种基于图神经网络的特征选择方法，通过解耦节点特征聚合和网络深度，采用 softmax 和 Hop-Normalization 技术，使得模型在节点分类任务中取得了 64% 以上的精度，其学习到的精选参数可以用于研究预测任务中特征的重要性，同时在大型图中拥有可扩展性。
May, 2021
基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。
我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。
Jun, 2024
图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024
本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。
Jun, 2023
该研究探索了卷积神经网络在图信号处理方面的应用，通过构建选择图神经网络和聚合图神经网络，对信号的卷积和池化进行了重新解释，实现了在图数据上的卷积神经网络。此外，该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
Apr, 2024