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

本文介绍和证明了隐式图神经网络存在的两个弱点：他们的限制表达能力由于他们对捕获长程依赖性的有效范围有限以及他们无法在多个分辨率上对图进行多尺度信息建模。为了缓解这些弱点，我们提出了一种带有隐式层次的多尺度图神经网络 (MGNNI)，它能够模拟图的多尺度结构，具有更广泛的有效范围，能够捕获长程依赖性，并且在节点分类和图分类方面，我们进行了全面的实验来表明 MGNNI 优于代表性基准，并具有更好的多尺度建模和捕获长程依赖性的能力。

Oct, 2022

Implicit Dynamic Graph Neural Network (IDGNN) 是一种针对动态图的新型隐式神经网络模型，通过提出一个等价的双层优化问题和一种高效的单循环训练算法来克服计算上的困难，以在分类和回归任务中展现出优于现有模型的性能，并在性能保持的同时获得高达 1600 倍的加速。

Jun, 2024

本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

Mar, 2021

本文提出了一种在图上进行终身学习的增量训练方法，通过 $k$- 邻居时间差的方法解决历史数据的差异，并在五种典型的 GNN 体系结构上进行训练，结果表明相对于对完整图数据的训练，只需要保留至多 50% 的 GNN 感受野，就能保证至少 95% 的准确度，并确认了随着显式知识变少，隐式知识变得更为重要。

Jun, 2020

提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

Jun, 2024

IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

Aug, 2023

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

本文提出了一种新的边缘标记图神经网络（EGNN），在这种网络中，改进了少样本学习和显式聚类，通过直接利用内部聚集相似性和集群间不相似性的迭代边缘标记更新，我们学习预测边缘标签，而不是节点标签，使训练后的模型能够解决各种数量的类别问题，并能很容易地扩展到执行传导式推理。EGNN 模型的参数通过周期性训练和标记损失来学习，从而得到一个适用于未见数据问题的泛化能力良好的模型，在两个基准数据集上的监督和半监督少样本图像分类任务中，EGNN 显著提高了现有 GNN 方法的性能。

May, 2019