本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

本文提出了一种基于双向完全图的 YNN 模型，可以更好地模拟神经网络，并消除了传统人工神经网络存在的结构性偏差。通过引入辅助稀疏性约束，YNN 模型可促进连接分布集中于关键连接。最后，还设计了基于最小割技术的小型神经模块结构，以减少 YNN 模型的计算负担。

Jun, 2023

该论文介绍了一种新的神经网络模型，通过将网络结构化为一个完整的有向图，为每个时间步骤处理连续数据，更加密切地模拟生物大脑。该模型通过在神经元连接中引入循环并消除其他网络层中常见的顺序性质，添加了额外的结构特性。此外，该模型具有连续的输入和输出，受到脉冲神经网络的启发，使得网络能够学习分类过程，而不仅仅返回最终结果。

Jan, 2024

我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。

May, 2024

本文提出了一种新的神经网络模型，其中每一层与一组候选映射相关联，通过顺序决策过程选择映射。该模型的结构类似于 DAG，能够学习一组本地变换，从而增强了该模型相对于经典的多层网络的表达能力。使用来自强化学习领域的策略梯度技术的学习算法，替代了传统的反向传播梯度下降技术。实验表明，这种方法具有很强的实用性。

Oct, 2014

本文提出了一种连续图神经网络 (CGNN)，可以广泛应用于现有的离散动态的图神经网络，并能够捕捉节点之间的远距离依赖关系。实验结果表明，相对于竞争基线，该方法在节点分类任务上是有效的，且具有抗过度平滑的特性。

Dec, 2019

本文介绍了一种称为周期课程学习（CCL）的人工神经网络训练方法，通过在训练数据集大小方面进行周期性改变，同时使用基本的和课程学习方法，成功地应用于 18 个不同数据集和 15 个架构的图像和文本分类任务上，实现了比现有 CL 方法更好的结果。

Feb, 2022

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

本文运用复杂网络理论将 DNN 表示为一个有向带权图，并介绍了一些度量方法，可以研究 DNN 作为动力学系统的性能，并发现度量方法可以区分低性能和高性能网络。

Sep, 2022

图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

Apr, 2024