本文探讨了 GNNs 的异质问题并研究了跨类别邻居的特征聚合，提出了 CAGNNs 框架以提高节点分类任务的性能。实验结果表明，我们的框架能够分别提高 GIN，GAT 和 GCN 的平均预测准确率 9.81％，25.81％和 20.61％。

Mar, 2022

研究了拓扑结构变化对图神经网络输出的影响，证明了使用积分 Lipschitz 过滤器的图卷积与相应非线性混合效应的组合可以实现稳定性和高频信息的判别力，解释了 GNNs 卓越性能的原因。

May, 2019

本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

Jun, 2023

本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

Feb, 2020

在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

Jun, 2021

本文介绍了一个综合性框架，用于描述图神经网络在任何拓扑特征上的拓扑感知能力，并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果，发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化，同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。

Mar, 2024

本研究探讨了图卷积和 Mixup 技术之间的关系。研究发现，在两个条件的基础上，图卷积可以被视为一种在训练和测试阶段都应用的特殊形式的 Mixup。这两个条件分别是：1）同质重标签 - 将目标节点的标签分配给其所有邻居；2）测试时间 Mixup - 在测试时间进行特征的混合。通过数学建模证明了图卷积网络（GCN）和简化图卷积（SGC）可以表示为 Mixup 的形式，并通过实证验证了这个等价性，使用这两个条件训练 MLP 取得了可比较的性能。

Sep, 2023

本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在 GNNs 中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的 GNNs 以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用 GNNs 的相关研究。

Mar, 2020

我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

Jun, 2024

通过特征融合的角度设计了新颖的 GNN 拓扑结构，进一步提高了模型容量，改善了原有 GNN 拓扑结构的问题，并通过神经架构搜索方法在八个真实数据集上进行了验证。

Dec, 2021