LinGCN 是一个旨在减少乘法深度和优化基于同态加密 (Graph Convolution Network) 推断性能的框架，通过 (1) 可微的结构线性化算法和参数化的离散指示函数，使模型具有最小化的乘法深度；(2) 紧凑的结点级多项式替代策略以及二阶可训练激活函数，通过从基于全 ReLU 的教师模型的两级蒸馏方法引导更优的收敛性；(3) 改进的同态加密方案，能够在结点级激活函数中实现更精细的运算融合，进一步降低乘法消耗；在 NTU-XVIEW 骨骼关节点数据集上的实验证明，LinGCN 在同态加密推断中具有出色的延迟、准确性和可扩展性，优于 CryptoGCN，并且相对于 CryptoGCN 实现了 14.2 倍的延迟加速，同时保持了 75% 的推断准确率并显著降低乘法深度。

Sep, 2023

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

本文提出了一种异构图卷积网络建模方法 HeteGCN，结合了 predictive text embedding (PTE) 和 TextGCN 的优点用于文本分类，以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个 HeteGCN 架构中学习特征嵌入并派生文档嵌入，将 TextGCN 简化为几个 HeteGCN 模型，从而简化了模型参数，以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。

Aug, 2020

本研究介绍了一种基于差分隐私的方法来保护敏感数据隐私，使得基于图结构的文本学习可以在保证隐私的同时具有较高的准确性。

Feb, 2021

本文介绍了 Faster CryptoNets，一种使用神经网络进行高效加密推理的方法。该方法使用了稀疏表示在底层密码系统中的剪枝和量化方法来加速推理，并展示了如何使用隐私安全的训练技术来减少加密推理的开销。本方法可以有效保护用户隐私并且在保持精度的同时实现了显著的加速。

Nov, 2018

深度超几何图卷积网络（DeepHGCN）通过引入新的超 bolic 特征转换层和技术，极大地提高了计算效率并显著减轻了过平滑效应。与欧几里德和浅超 bolic GCN 变体相比，DeepHGCN 在链接预测和节点分类任务上取得了显著的改进。

Oct, 2023

本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。

Oct, 2018

这篇论文提出了一种基于同态加密技术的隐私保护卷积神经网络训练的实现解决方案，并应用转移学习简化了 CNN 的训练问题。

Apr, 2023

提出了一种名为 CryptoNN 的框架，该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练，以解决神经网络模型训练过程中的隐私问题，并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。

Apr, 2019

基于 Transfer Entropy 的策略可解决 Graph Convolutional Networks 中的过度平滑和节点关系属性的利用两个重要挑战，并通过使用异质性和度信息作为节点选择机制以及基于特征的 Transfer Entropy 计算来提高 GCN 模型的分类准确率，但需要考虑计算复杂度。

Jun, 2024