改进的双相关降维网络
提出了一种名为 Dual Correlation Reduction Network（DCRN）的方法，该方法采用双重相关性降低的策略来减少节点编码过程中的表征崩溃现象，同时通过 GCN 中引入传播正则化项来缓解过度平滑造成的表征崩溃现象，实验表明该方法在六个基准数据集上相比于现有最先进算法表现更好。
Dec, 2021
基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。
Feb, 2024
提出了一种名为 DIAGC 的新型多视图图聚类方法，引入了特定信息重构、互信息最大化和自监督聚类模块来增强图神经网络的能力，实现对多视图数据进行更精确的聚类。
Nov, 2022
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
我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。
Apr, 2024
该论文提出了一个新视角来观察深度图神经网络表现下降的问题，即特征过度相关性。作者通过理论和实证探究了这一问题的存在及可能的原因，并提出一个名为 DeCorr 的通用框架来消除特征冗余信息，从而减少特征相关性问题，实验证明提出的方法可以帮助深度图神经网络在解决过度平滑问题中起到补充作用。
Jun, 2022
本论文提出了一种名为 DCCM 的新型聚类框架，可以从三个方面探索和充分利用未标记数据中的各种相关性，通过伪标签监督，全面的研究特征对输入空间的图像变换的稳健性，并将 triplet 互信息应用于聚类问题中，从而进一步有助于学习更有区分性的特征。在多个数据集上进行了广泛的实验，取得了良好的性能，例如在 CIFAR-10 上达到 62.3％的聚类准确度，比现有最先进方法高出 10.1％。
Apr, 2019
本文介绍了一种用于自监督图数据表示学习的概念简单而有效的模型，其通过数据增强生成输入图的两个视图，并通过受经典标准相关分析启发的创新特征级目标进行优化，旨在学习不变表示，并通过不同维度中的相关特性来防止退化解决方案，最终在七个公共图数据集上表现竞争力。
Jun, 2021
本文介绍了一种采用图卷积网络的高效接近搜索再排序方法，通过更新特征值来完善视觉检索任务的初步结果，并以状态 - of-the-art 表现获得了在 3 个不同任务的七个基准数据集上的结果。
Jun, 2023