本文提出了一种名为GDC的基于图扩散的图卷积方法，与传统的基于直接邻接节点的图卷积方法相比，它可以处理真实图中任意定义边界带来的噪点问题，并在各种图神经网络和其他基于图的算法中取得了显著的性能提升，同时不需要改变原算法的计算复杂度。

Oct, 2019

用连续扩散过程作为图上深度学习的方法，将Graph Neural Networks(GNNs)视为潜在PDE的离散化，从而得到了一种新的GNN模型，该模型采用时空算子离散化，解决了图学习模型中的深度、平滑过渡和瓶颈等问题。通过稳定性分析，可以得到线性和非线性版本的GRAND模型，这些模型能够在许多标准图标准测试中取得很好的效果。

Jun, 2021

GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.

Jan, 2022

本文探讨细胞鞘理论在图神经网络研究中的应用，研究表明图的基础几何结构与GNN在异质性场景下的过度平滑行为有深刻关联。通过学习来自数据的sheaf，可以获得具有竞争力的表现。

Feb, 2022

本文提出了一种新颖的图神经网络，利用卷积扩散方程（CDE）建模节点上的信息流，考虑到异质性和同质性对信息的影响，通过在异质性图上的节点分类任务的实验证明，我们的框架可以取得竞争性的性能。

May, 2023

本文提出了一种基于变分分析的归纳偏差方法以增强图神经网络的长距离依赖和全局模式捕捉能力，并采用总变差方法对图扩散模式与社区拓扑进行对齐，最后构建了一种能够预测图中传播流的生成对抗网络。最终，我们的方法在Cora、Citeseer和Pubmed等著名图学习数据集上实现了最新的性能水平。

Jul, 2023

本文提出了一种基于对流-扩散-反应系统的新型图神经网络 (ADR-GNN)，在实际节点分类和时空数据集上的评估表明，ADR-GNN 在性能上改进或与最先进的网络具有竞争性。

Jul, 2023

设计基于参数化图拉普拉斯算子的隐式图扩散层，从而在节点和图分类任务中展现了强化的性能，通过减少超平滑问题，权衡平滑和节点特征信息的保持。

Aug, 2023

提出了一个带有准确性项的一般扩散方程框架，从而形式化地建立了扩散过程与更多图卷积网络之间的关系，并通过实验证明了高阶邻居标签之间的相似性特征，推动了新型图扩散网络（HiD-Net）的设计。

Dec, 2023

本研究解决了传统图拉普拉斯在捕捉异质图长距离信息方面存在的局限性。提出了一种新的参数化拉普拉斯矩阵，能够灵活控制节点间的扩散距离，从而改善长距离信息的捕捉能力。实验证明，所提出的模型在多个真实世界基准数据集上显著优于现有最先进模型，显示出其强大的适应性与实用性。

Sep, 2024