使用循环图神经网络学习图算法
本文提出了一种结合无监督和有监督学习组成的方法，通过利用random walk方法和Gumbel-Softmax分布将图节点映射到节点序列，然后使用修改后的RNN神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。
May, 2018
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。
Dec, 2018
本文探讨了使用循环神经网络学习解决实值组合图问题的可行性，提出了用于上限样本复杂度的理论框架，并证明了单层和多层循环神经网络可以在多项式数量级的样本数下对于最大顶点个数为n的图进行学习。
Jan, 2019
本文提出了一种基于自然语言处理技术的图分类方法，使用结构信息嵌入，采用类似于NLP的证明技术，对几个标准分子数据集进行了实验，取得了最先进的分类结果，并对节点预测是否有助于更好地分类图进行了定性分析。
Feb, 2019
本研究提出一种新的方法EvolveGCN，其结合了时间因素和图卷积网络(GCN)模型，利用循环神经网络(RNN)来推动GCN参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。
Feb, 2019
本文提出了基于图卷积神经网络的Graph Learning Network模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。
Oct, 2019
本文提出了一种有效构建深度图神经网络的方法。该方法利用动力系统中固定点的思想，通过递归神经网络实现，并采用深度架构组织递归单元。我们证明了即使在没有训练递归连接的情况下，小型的深度图神经网络的性能也能达到或超过当前最先进的图分类任务水平。
Nov, 2019
本篇研究论文提出了一种端到端图学习框架——DIAL-GNN，它能够同时学习图结构和图嵌入，并借助于一种自适应图正则化方法和一种迭代算法来优化图结构和性能，实验表明该方法在转导性和归纳性学习方面取得了不错的表现。
Dec, 2019
本研究提出了一种新的GNN架构，结合基于迭代算法的更新规则，解决了现有架构在过度平滑、长距离依赖和对抗攻击等方面存在的问题。结果表明该模型在各种场景下都表现出极高的稳健性和准确性。
Mar, 2021