提出了一种新颖的图神经网络框架 AdaGNN，其中包含了一种经过精心设计的自适应频率响应滤波器，可以在节点表示学习中捕获不同特征通道之间的内在差异，从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明，所提出的 AdaGNN 框架具有很高的有效性，同时还提供了理论分析以证明其优越性。

Apr, 2021

本文提出了 Automatic Graph Convolutional Networks (AutoGCN) 来捕获图信号的全部频谱，并自动更新图卷积滤波器的带宽，实验结果表明，AutoGCN 比只能作为低通滤波器的基准方法有了显著的改进。

Jul, 2021

该研究探讨了基于中频信号滤波器的图卷积网络 Mid-GCN，通过在六种基准图数据上的实验，验证了其在对抗攻击下节点分类准确性方面的有效性。

Feb, 2023

本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021

提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

Jul, 2020

为了应用 Graph Convolutional Network 到大规模图上，我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度，实验结果表明这种算法可以有效提高图卷积的效果和效率。

Jun, 2020

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021

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

本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

提出了一种自适应的空间 - 光谱图卷积网络，其中包括一个空间图卷积子网络、一个光谱图卷积子网络和一个图交叉注意力融合模块，通过加入注意力机制，融合了空间和光谱特征，并探索了优化图形的思想，在两个高光谱图像数据集上实验证明了该方法比其他分类方法具有更好的性能。

Apr, 2022