该研究论文通过对GNNs的计算效率进行探讨，提供了该领域的回顾，包括对GNN的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结; 同时，提供了对当前软件和硬件加速方案的深入分析，并提出了一个面向硬件和软件的、图形感知和通信为中心的GNN加速器的愿景。

Sep, 2020

该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是RGCN模型在整体指标上表现最好。

Mar, 2022

本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在GCN聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

Nov, 2022

通过使用一种名为Chainlet Orbits的新方法，该方法嵌入地址并使用其拓扑特征，我们能够更好地检测出由比特币网络中的违法行为引起的独特子结构，并且该方法通过使用可解释的机器学习模型在短时间内进行了一些检测。

May, 2023

本研究通过将图卷积网络（GCNs）与时间随机游走（TRW）相结合，并借助概率抽样，来识别以太坊交易的复杂时间序列，从而提供更精细的交易异常检测机制。初步评估表明，我们的TRW-GCN框架在检测异常和交易突发事件方面显著提高了性能指标。此研究通过利用空间关系和基于时间的交易序列作为节点特征引入了更高层次的细粒度，使检测过程更健壮且不易产生误报，为未来优化和提高区块链技术透明度的研究奠定了基础。

Sep, 2023

该研究提出了一种创新方法，利用图卷积网络（GCNs）分析以太坊网络中的信息传播模式，通过开发结合图注意力网络（GAT）和强化学习（RL）的模型以优化网络效率和可扩展性，从而实现信息在网络中的有效传播，优化区块处理的燃气限制并提高网络效率。

Nov, 2023

图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究GNN与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实现更高效和更快速的GNN计算。我们基于对GNN计算需求的特征化构建了先进的硬件加速器结构，同时扩展了对图神经网络领域中新型模型的探索，旨在提供不仅高性能而且能适应图计算发展的多功能加速器。

Dec, 2023

通过针对归纳式图神经网络进行系统隐私分析，本文填补了以往对于归纳式图神经网络的全面隐私分析的空白，并通过对链接窃取攻击的分析，提出了后验攻击和组合攻击两种类型的攻击，发现归纳式图神经网络泄漏大量信息，使得攻击即使在没有关于图结构的先验知识的情况下，也能够有效进行；同时，研究了两种可能的防御方法并发现它们对攻击是无效的，因此需要更有效的防御机制。

May, 2024

探索使用机器学习模型来插值网络中的通道余额的可行性，以优化网络的路径搜索算法。

May, 2024

我们介绍了一个用于图机器学习的全面基准测试框架，关注GNN在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

Jun, 2024