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

本文介绍了图神经网络（GNN）的转移性以及与该特性相关的图卷积和限制对象图形神经网络（Graphon NNs），证明了一个GNN和其极限图形的输出之间的差异，该差异随着节点数量的增加而消失，如果图卷积滤波器在图谱域中是带限制的，则该结果确立了GNN的可辨别性和可传输性之间的权衡。

Jun, 2020

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

本文提出了一种改进的基于节点转移概率的消息传递过程和一种新的正则化方法 DropNode，以解决小型图形上的过拟合和过度平滑等问题，实验发现这种方法在节点和图分类任务中要优于现有的方法。

Aug, 2020

本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。

Sep, 2020

通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。

Feb, 2021

本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

Jun, 2021

本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。

Dec, 2021

本文研究了Graph Convolutional Neural Networks在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

Jul, 2022

我们提出了GCNH，是一种简单但有效的GNN架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

Apr, 2023