当提供强大的结构性编码时，基于张量乘积的相互作用模型表明比基于拼接的编码更加鲁棒，即使去除了消息传递层，也能在某些任务上几乎不降低性能。

Oct, 2023

基于邻域树的新型聚合方案提高了表达能力，减轻了过度压缩，并通过神经树规范化技术提供了高分类准确性。

Oct, 2023

本文通过使用互信息（mutual information）引入局部区域和全局区域的概念，并利用双层聚合对复杂的节点特征进行建模，实现了对于无序图中节点表示的高效学习和训练。同时，借助于自监督学习，将有限的标签数据结合互信息理论进行更加细致的标签预测，证明了本文提出的模型在各种图结构中都有着优越的表现。

Apr, 2021

通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

Dec, 2023

通过最短距离和线性循环网络，我们提出了一种新的图神经网络架构，以解决信息提取和计算复杂度的挑战，并在各个基准测试中展示了与最新颖的图转换器相比性能具有竞争力且计算复杂度大大降低。

Dec, 2023

提出了基于记忆的消息传递方法（MMP），以解决现有消息传递方法在不光滑和噪声建模上的缺陷，通过记忆分离节点信息为鉴别和传播两部分，并发展控制机制和解耦合法则以提高所提出方法的效果和鲁棒性。

Feb, 2022

提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

Sep, 2020

本文提出了一种记忆邻域嵌入方法（Memory-based Neighbourhood Embedding，MNE），其将邻域信息考虑进卷积神经网络（CNN）特征嵌入，通过增加体现输入图像相关性的记忆模块并使用一个树状图形式的邻域结构来聚合邻域信息以获得更为判别性的嵌入；该方法在图像搜索和少样本学习任务上得到应用，表现出较高性能。

Aug, 2019

本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。

Feb, 2020

使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

Jun, 2020