本文通过引入 PageRank 的个性化传播机制，构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用， 用于半监督分类，在最彻底的 GCN-like 模型的研究中，展示了该模型胜过几种近期提出的方法。

Oct, 2018

本研究提出 PPRGo 模型，利用有效的 GNN 信息扩散近似，以显着提高速度并保持最先进预测性能。相比其他 GNN 方法，PPRGo 不仅更快，而且天然可扩展，在 Google 的大规模节点分类问题方面具有实际应用价值。

Jul, 2020

本文提出了一种创新性的解决方案，通过构建无限树状 PGMs 来精确对应神经网络，发现 DNNs 在前向传播过程中实际上是精确的 PGM 推理的近似，这种直接的近似揭示了 DNNs 的精神内核。

May, 2023

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

Nov, 2022

本研究提出了可逆连接、分组卷积、权重绑定和平衡模型以提高图神经网络的内存和参数效率，并发现可逆连接结构与深层神经网络架构相结合，使得训练的过参数化 GNNs 在多个数据集上显著优于现有方法。

Jun, 2021

本文提出了使用分布式计算框架计算大型边加权图的全面边加权个性化 PageRank 的新方法，使用了蒙特卡罗近似并结合优化技术，其准确性表现显着超过基线算法，并且速度比现有技术快数个数量级。

Mar, 2019

本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

Sep, 2020

本篇论文提出了一种使用无限深度的图神经网络模型 ——Efficient Infinite-Depth Graph Neural Networks (EIGNN) 来有效捕获底层图中的长程依赖性，同时可以使用特征值分解来实现更有效的计算。实验结果表明，该模型在捕获长程依赖性方面比现有模型表现更好，并且在不同噪声和对节点特征的对抗扰动下表现更为鲁棒。

Feb, 2022

该研究论文讨论了节点嵌入、个性化 PageRank、图拓扑以及基于 PPR 的嵌入方法对各种下游任务的优势的解释性分析。

May, 2024