GTAGCN：广义拓扑适应图卷积网络
本篇论文提出了一种基于变量域的新型图卷积网络（TAGCN），通过设计一组可学习的固定大小的滤波器，用于对图执行卷积操作。这些过滤器在扫描图以执行卷积时，可以自适应地适应图的拓扑结构。与现有的谱CNN相比，TAGCN表现更好，并且比近期其他方法计算上更简单。
Oct, 2017
本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。
Jan, 2018
本研究提出一种新的方法EvolveGCN，其结合了时间因素和图卷积网络(GCN)模型，利用循环神经网络(RNN)来推动GCN参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。
Feb, 2019
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
本文介绍了将块建模引入图卷积网络（Graph Convolutional Network，GCN）框架中，以实现块引导分类聚合，从而使GCN的传播和聚合机制适用于同质性和异质性网络。通过将块建模纳入聚合过程，GCN能够根据其同质性程度有区别地聚合同质性和异质性邻居的信息，并在异质性数据集上表现出优异的性能。
Dec, 2021
提出了一种新的参数激活函数 GReLU，它将拓扑信息嵌入到非线性激活函数中，以使更新函数感知到邻居之间的相互关系，从而提高 Graph Neural Networks 的能力，实验结果表明 GReLU 方法有效。
Feb, 2022
本文介绍了一个名为Meta Weight Graph Neural Network的模型，该模型可以自适应地构建不同节点的图卷积层来提高图神经网络的表达能力，其通过使用元权重模型来生成自适应图卷积来提高节点表示，并在真实和合成基准测试中进行了广泛的实验证明了其在处理具有不同分布的图数据方面具有出色的表现。
Mar, 2022
该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如GAT、GCN和GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。
Dec, 2022