本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

Oct, 2019

本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。

Apr, 2021

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

本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

Jun, 2024

本文提出了一种新的超半球几何图卷积神经网络（Lorentzian graph convolutional network，LGCN）来学习超半球几何中的节点特征，并在 6 个数据集上的实验表明，相比于现有的超半球几何图卷积神经网络方法，LGCN 在学习类似树形的图的表示时存在更低的畸变，并且有些超半球几何图卷积神经网络的性能使用本文所定义的图操作可以得到改进。

Apr, 2021

本文介绍 HyperGCN，一种用于属性超图上的半监督学习以及组合优化的图卷积网络，旨在解决超图中普遍存在的复杂关系建模问题。

Sep, 2018

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

本研究通过将 CNN 的残差连接和扩张卷积应用到 GCN 体系结构中，成功地解决了 GCN 中梯度消失的问题，构建了深层的 GCN，实现了更好的点云语义分割表现。

Apr, 2019

本文提出了基于超几何几何的 HGWaveNet 神经网络，该网络有效利用了超几何空间与数据分布的契合性进行时序边预测，通过设计 2 个关键模块，分别学习空间和时间信息，应用于保留了整个数据流中的分层结构信息，实现了对 6 个实际数据集的超几何拟合，将时序预测的 AUC 相对提高了高达 6.67%。

Apr, 2023