Jul, 2023
学习图神经网络的自适应邻域
Learning Adaptive Neighborhoods for Graph Neural Networks
TL;DR建立了一种可端到端学习的可微图生成器，用于动态构建拓扑结构和节点选择，应用于图卷积网络的轨迹预测、点云分类和节点分类等任务，提高了准确性。
Abstract
graph convolutional networks (GCNs) enable end-to-end learning on graph structured data. However, many works assume a given graph structure. When the input graph is noisy or unavailable, one approach is to constr
发现论文，激发创造
拓扑自适应图卷积网络
本篇论文提出了一种基于变量域的新型图卷积网络（TAGCN），通过设计一组可学习的固定大小的滤波器，用于对图执行卷积操作。这些过滤器在扫描图以执行卷积时，可以自适应地适应图的拓扑结构。与现有的谱CNN相比，TAGCN表现更好，并且比近期其他方法计算上更简单。
Oct, 2017
N-GCN：用于半监督节点分类的多尺度图卷积
该研究提出了一种名为N-GCN的模型，将图卷积网络和随机游走中的信息融合，训练多个GCNs实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。
Feb, 2018
L$^2$-GCN: 图卷积网络的层次和学习有效训练
本研究提出了一种高效的图形卷积网络（GCN）训练框架L-GCN，该框架通过在训练期间解耦功能聚合和功能转换，大大降低了时间和内存复杂度，并提出了L²-GCN，用于每个层学习控制器，可以自动调整每个层的训练时期。实验表明，在不依赖于数据集大小的一致内存使用情况下，L-GCN比现有技术快至少一个数量级，同时保持可比的预测性能。
Mar, 2020
AM-GCN: 自适应多通道图卷积网络
本文提出了一种新型 GCNs 模型: 自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。
Jul, 2020
从优化角度重新审视半监督节点分类中的图卷积网络
本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。
Sep, 2020
超越图卷积网络：一种解释性的以正则化为中心的优化框架
本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为tsGCN的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。
Jan, 2023