本文提出了基于磁性 Laplacian 的 MagNet，一种适用于有向图的频谱图神经网络。我们将该网络应用于多种有向图节点分类和链接预测任务中，并表明 MagNet 在所有任务中表现良好，并且在大多数任务中其表现优于所有其他方法。MagNet 的基本原理使得它可以适应其他频谱 GNN 架构。

Feb, 2021

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022

该研究介绍了一种名为磁签 Laplacian 的矩阵，作为有向网络的谱图神经网络（GNNs）的一种新颖有效的构建方式。实验证明，所提出的谱 GNN 可有效地结合了有向信息和签名信息，并在广泛的数据集上取得了领先的性能。

Sep, 2022

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023

该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习，其中包括非线性激活函数和灵活的归一化方案，实验结果表明与现有方法相比，在真实世界数据集上表现更好，具有更高的分类精度和速度。

Jun, 2020

本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

Sep, 2018

提出了一种新的叫做元路径聚合图神经网络（MAGNN）的模型来解决异构图嵌入中节点内容特征、中间节点和元路径的问题，并在三个真实异构图数据集上进行了实验，证明了 MAGNN 比现有基线模型具有更准确的预测结果。

Feb, 2020

该论文提出将 Hodge Laplacian 与图神经网络结构相结合，用于分析流数据，具体应用于流插值和源定位问题。

Dec, 2019

我们提出了一个新的模型无关的图神经网络（MaGNet）框架，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上，我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界，并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究，证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外，我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究，从而突显了它在推动科学研究方面的有效性。

Sep, 2023

提出了一种名为 MAGNA 的多跳图神经网络，该网络通过扩散先前层中的注意力分数以增加每一层的感受野，并在节点未直接相连时利用扩散先验的注意值捕获网络上下文信息，实验结果证明该网络在节点分类以及知识图谱完成基准测试上均达到了表现最佳。

Sep, 2020