GNNs，更强，更深，更快
本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。
Oct, 2018
本文介绍一种更有效的图神经网络——k-hop GNN，该网络可以从一个节点的k-跳邻域中汇总信息并识别基本图属性，可用于节点分类和图分类任务，并在标准数据集上取得较好或可比的表现
Jul, 2019
使用SubGNN模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在8个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型19.8%。
Jun, 2020
本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究GCN、GAT、PPNP、APPNP等GNN模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架UGNN，并基于此开发了ADA-UGNN模型，通过实验验证了其在自适应平滑性的图中的有效性。
Oct, 2020
本研究提出了一种“深GNN，浅采样器”设计规则，通过利用深层次的GNN在一个浅层、局部的子图内传递信息，避免了在全局范围内过度平滑和邻域爆炸的问题，从而提高了GNN的准确性和效率。通过采用各种子图采样算法和神经架构扩展，研究人员在最大的公共图形数据集上取得了最先进的准确性，同时大幅减少了硬件成本。
Dec, 2020
本研究提供了第一个公平、可重复的基准测试，重点研究了训练深度图神经网络中的技巧，并利用该测试在数十个代表性图数据集上进行了全面评估，证明了初始连接、标识映射、分组和批量归一化的有机组合实现了深度GNN在大型数据集上的最新成果。
Aug, 2021
本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。
Jun, 2022
本文总结和分类大规模图神经网络解决方案的重要方法和技术，并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。
May, 2023
基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图GNN框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。
Jun, 2024
本研究探讨了基于图神经网络的K-hop传递模型的局限性，并提出了子结构编码函数，以提升其表达能力，并注入情境化子结构信息增强表达能力。实证结果表明，该方法在多个数据集上取得了新的最优表现或可比较的性能。
Jun, 2024