本研究提出了一种使用深度学习解决图像识别问题的方法 ——GCNII，并通过两种新技术 — 初始残差和身份映射 — 缓解了问题过度平滑的问题。实验结果表明深度 GCNII 模型在半监督和全监督任务中的性能优于现有方法。

Jul, 2020

本文在无需已知节点标记的情况下，针对图中存在的重叠社区检测问题，设计了一个基于深度动态残差图卷积网络和 Bernoulli-Poisson 模型的端到端解码器的框架，并且在 Facebook 数据集和多个大型合著网络数据集上实验，结果表明优于现有领先检测算法。

Oct, 2022

本文提出了一种名为 DeeperGCN 的新型 Graph Convolutional Networks，它有效地解决了深度较大的 GCNs 存在的梯度消失、过度平滑和过度拟合等问题，实现了对大规模图数据的成功且可靠的训练，并在 Open Graph Benchmark (OGB) 上进行的实验证明其在节点属性预测和图形属性预测的大规模图形学习任务中比现有技术有显著提高。

Jun, 2020

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

本论文从路径分解的角度研究 GNNs 中残差连接的前向和后向传播行为，发现由残差连接路径的二项式分布递归聚合的中位数长度路径控制输出表示，导致 GNNs 深度加深时的过度平滑。基于这些发现，作者提出了一种带有冷启动自适应残差连接和前馈模块的通用深度 GNNs 框架（UDGNN-DRIVE），并进行了大量实验表明其有效性，可通过简单堆叠标准 GNNs 实现非平滑异构数据集上的最新结果。

May, 2022

本文提出了 Residual Graph Convolutional Network（ResGCN）, 一种基于 GCN 捕获稀疏性和非线性性的深层残差建模方法，并利用基于残差的注意机制减少异常节点的不利影响和防止过度平滑，以在多个现实世界属性网络中检测异常值。

Sep, 2020

本文提出了在图神经网络中使用连续残差模块来进行图核函数计算的方法，结合普通微分方程（ODE）求解器来应用连续残差层产生输出，并通过实验表明相较于非残差模块，这些残差模块在多层图卷积网络中能够取得更好的结果，并减轻低通滤波效应。最后，我们还探讨了这些残差模块在其他领域的应用潜力，以提供计算过程中更可预测的行为。

Nov, 2019

本文提出了一个叫做 Scattering GCN 的方法，将传统图卷积神经网络与几何散射变换和残差卷积相结合，以提高半监督节点分类的性能。实验结果显示，与最新提出的图神经网络相比，这种方法在处理图数据时具有优越性能。

Mar, 2020

本文介绍 ClenshawGCN 模型，采用 Clenshaw 求和算法增强 GCN 模型的表现力，通过两种残差模块来模拟多项式滤波器，从而提高了在异构图上的学习表现，实验结果表明，我们的模型优于空间和谱 GNN 模型。

Oct, 2022

本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中，从而成功地训练出多达 112 层的深度图卷积网络，该方法在多个数据集和任务中展示出了非常良好的表现。

Oct, 2019