本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

Oct, 2019

本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。

Apr, 2021

本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法，能够提高结点表示的独立性，实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。

Nov, 2019

深度超几何图卷积网络（DeepHGCN）通过引入新的超 bolic 特征转换层和技术，极大地提高了计算效率并显著减轻了过平滑效应。与欧几里德和浅超 bolic GCN 变体相比，DeepHGCN 在链接预测和节点分类任务上取得了显著的改进。

Oct, 2023

本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

Nov, 2019

本文提出了一种称为层次图胶囊网络（HGCN）的创新方法，它可以联合学习节点嵌入和提取图层次结构，通过识别每个节点下的异构因素建立分离的图胶囊，从而表征同一实体的不同属性，并通过显式考虑部件之间的结构信息来表征低层胶囊（部分）和高层胶囊（整体）之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。

Dec, 2020

提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

Apr, 2024

本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

Aug, 2022

本文提出了一种异构图卷积网络建模方法 HeteGCN，结合了 predictive text embedding (PTE) 和 TextGCN 的优点用于文本分类，以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个 HeteGCN 架构中学习特征嵌入并派生文档嵌入，将 TextGCN 简化为几个 HeteGCN 模型，从而简化了模型参数，以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。

Aug, 2020

本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

Dec, 2021