提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019

基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

Oct, 2023

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

May, 2023

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

Aug, 2019

本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

Dec, 2021

本文介绍了通过自动超参数优化实现对图卷积网络模型的训练，提出了自调节 GCN 算法和基于种群的训练算法，并在三个基准数据集上展示了优于其他代表性基线方法的优越性。

Jul, 2021

提出了一种基于词图的图卷积神经网络模型，能够以归纳的方式完成对于预定义图之外的文档的分类任务，该模型利用词共现信息形成词图，同时融入了文献引用关系的全局语义依赖信息，通过实验验证，该模型在分类任务中表现出良好的性能和高效率。

May, 2023

本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

Aug, 2019