本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

Sep, 2020

该研究论文提出了一种名为动态神经图网络（Dynamic Spiking Graph Neural Networks）的框架，用于解决动态图表示学习中的信息丢失和内存要求问题，通过将早期信息直接传递到最后一层以进行信息补偿，并在动态图环境中扩展了隐式微分以适应内存要求，并通过在三个大规模实际动态图数据集上的大量实验证明了其在动态节点分类任务上的有效性与较低的计算成本。

Dec, 2023

本文提出了一种名为 IDGL 的端到端图学习框架，可以联合学习图结构和图嵌入，并将图学习问题转化为相似度度量学习问题，使用图正则化来控制学习图的质量，使用基于锚点的近似技术提高其可伸缩性。IDGL 模型在九个基准测试中表现优异，并能够更好地应对恶意图和在归纳和转导学习中的应用。

Jun, 2020

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

本文提出了一种新的图卷积方法 Graph Implicit Nonlinear Diffusion (GIND)，通过自适应聚合具有非线性扩散的特征来防止过度平滑，并以明确的凸优化目标的最小化表示所学到的表示。实验表明，GIND 在捕获长程依赖方面表现出色，并在节点级和图级任务上取得了显着的改进。

Jun, 2022

本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

Nov, 2022

本篇论文提出了一种使用无限深度的图神经网络模型 ——Efficient Infinite-Depth Graph Neural Networks (EIGNN) 来有效捕获底层图中的长程依赖性，同时可以使用特征值分解来实现更有效的计算。实验结果表明，该模型在捕获长程依赖性方面比现有模型表现更好，并且在不同噪声和对节点特征的对抗扰动下表现更为鲁棒。

Feb, 2022

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

设计基于参数化图拉普拉斯算子的隐式图扩散层，从而在节点和图分类任务中展现了强化的性能，通过减少超平滑问题，权衡平滑和节点特征信息的保持。

Aug, 2023

本文介绍和证明了隐式图神经网络存在的两个弱点：他们的限制表达能力由于他们对捕获长程依赖性的有效范围有限以及他们无法在多个分辨率上对图进行多尺度信息建模。为了缓解这些弱点，我们提出了一种带有隐式层次的多尺度图神经网络 (MGNNI)，它能够模拟图的多尺度结构，具有更广泛的有效范围，能够捕获长程依赖性，并且在节点分类和图分类方面，我们进行了全面的实验来表明 MGNNI 优于代表性基准，并具有更好的多尺度建模和捕获长程依赖性的能力。

Oct, 2022