本篇论文介绍了一些基于保结构动力系统的创新图神经网络结构，其中证明了这些结构能够保能量或随深度逐渐产生正的耗散。这一理论框架为可解释的构建提供了可能，并在阐明了可逆性和不可逆性在网络性能中的作用的同时，帮助解释了当前网络架构中的理论离题。

May, 2023

本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

Jul, 2023

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

该论文介绍了一种解决过度压缩问题的新方法，利用全局和局部非耗散性的属性，通过 SWAN 模型实现了信息的稳定流动速率。理论分析和对合成和真实世界基准的实证评估验证了 SWAN 的理论理解和其减轻过度压缩的能力。

May, 2024

GNNGuard 是一个通用的算法，可以防御基于离散图形结构的多种训练时攻击，利用图形结构和节点特征之间的关系减轻攻击的负面影响，通过将更高的权重分配给连接相似节点的边，修剪不相关节点之间的边，这种方法在不同数据集和攻击条件下表现出 15.3％的优越性。

Jun, 2020

通过引入两个过度平滑度衡量指标以及可微分的分组正规化技术（DGN），增加同一组内节点的平滑度，同时在不同组之间分离节点分布以显着减轻过度平滑的问题，使得 GNN 模型更加鲁棒，并实现更好的性能与更深层次的 GNN。

Jun, 2020

动态信息扩散在图内是一个影响图表示学习的重要课题，特别是在考虑长程传播时。为此，我们引入了（端口）哈密顿深度图网络，这是一个基于哈密顿动力系统守恒定律的新框架，通过在图中建模神经信息流来控制和调节信息的传播和衰减程度。我们将非耗散的长程传播和非守恒行为统一在一个理论和实践框架下，并引入了机械系统的工具来衡量两个组成部分之间的平衡。我们的方法可以应用于一般的消息传递体系结构，并在时间上提供了信息保守性的理论保证。实证结果证明了我们的端口哈密顿方案在长程基准测试中将简单的图卷积架构推至最先进水平的效果。

May, 2024

本文提出了一种基于离散等变的图神经网络（DEGNN），通过将几何特征转化为排列不变嵌入，实现相应离散点群的等变消息传递，从而提高对未观测到的对称动力学的表示能力和泛化性能。在各种物理动力学中，DEGNN 相较于现有的方法具有显著的优越性，并可以以较少的数据进行学习，并且可以跨领域进行泛化，如未观测到的方向。

Jun, 2024

该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

May, 2022

图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

Aug, 2023