通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。

Mar, 2024

本文提出了一个处理节点内容嘈杂且稀疏的特征关注图卷积学习框架，采用长短期记忆网络学习每个节点的密集表示，引入特征 - 注意机制，允许相邻节点学习和变化特征重要性，并使用基于谱的图卷积聚合过程，该方法在不同噪声水平下表现出优于现有方法的性能。

Dec, 2019

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

本文提出了一种基于自监督任务的改进图注意力模型 SuperGAT，用于学习在有噪声图中更具有区分性的表达。研究发现，同质性和平均度是影响注意力形式和自监督任务有效性的两个图特征，并提供了在这两个情况下使用的注意力设计指南。在 17 个真实世界数据集上的实验结果表明，SuperGAT 的表现优于基线模型。

Apr, 2022

本文中，我们提出了一种新颖的结构感知卷积网络 (SACN)，它综合了 GCN 和 ConvE 两种方法，其中，WGCN 使用可学习的权重来聚合邻居节点信息，实现了更准确的图节点嵌入表示；而 Conv-TransE 则使得 ConvE 具有了一定的可解释性，并保持了 ConvE 的预测准确性。我们在标准数据集 FB15k-237 和 WN18RR 上进行了实验，结果表明，与最先进的 ConvE 相比，我们的方法 HITS@1、HITS@3 和 HITS@10 指标上分别提高了 10% 左右。

Nov, 2018

该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型，可用于多个化学数据集中学习化合物的属性，通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵，进而实现对不同分子大小的聚合节点特征预测的独立性。

Feb, 2018

本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

Apr, 2019

本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

Mar, 2023

本文介绍了一种新的基于自注意力机制的图神经网络 Hyper-SAGNN，可用于不同类型的超图及其不同的学习任务，包括各种基准网络数据集以及基因组学中的单细胞 Hi-C 数据集。该模型在传统任务上优于现有模型，在新任务 “outsider identification” 上表现优异。

Nov, 2019

提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

Aug, 2021