- 基于张量乘积图卷积表征的图边表示
通过张量收缩表示和张量乘积图扩散理论，本文提出了一种名为 Tensor Product Graph Convolution (TPGC) 的图卷积算子，用于处理带有边特征的图数据分析，以获取有效的边嵌入表示。实验结果表明，所提出的 TPGC - 特征映射协调：增强对抗鲁棒性的图卷积方法
深度神经网络对对抗性扰动的脆弱性引起了重大的安全关切，本研究提出了一种创新的插拔模块称为基于特征图的重构图卷积（FMR-GC），通过在通道维度上谐调特征图以重构图，并采用图卷积捕获邻域信息，有效校准污染特征，与先进的对抗训练方法相结合，显著 - GCEPNet: 基于图卷积增强的期望传播在大规模 MIMO 检测中的应用
基于图卷积的预期传播增强 MIMO 检测器 GCEPNet 提供更好的泛化能力和更快的推断速度，从而实现了最先进的 MIMO 检测性能。
- CKGConv: 连续核的通用图卷积
我们提出了一种新颖的连续核图卷积（CKGConv）框架，通过将核函数参数化为通过图位置编码得到的伪坐标的连续函数，从而解决了在图域中定义通用卷积算子的挑战，该框架理论上证明了 CKGConv 的灵活性和表现力，并在实证中证明 CKGConv - IJCAI多智能体强化学习的群体感知协调图
我们提出了一种新的方法来推断组感知协作图（GACG），以捕捉基于当前观测到的代理之间的合作以及跨轨迹观察到的行为模式的组水平依赖关系，并在决策过程中使用该图进行信息交换。通过在 StarCraft II 微管理任务上进行评估，我们证明了 G - 图拓扑上的特征分布调节图卷积的效果：同质性透视
如何通过对节点之间的特征向量进行随机洗牌来影响图神经网络 (GNNs)? 我们观察到特征洗牌会显著提高 GNN 的性能，并提出一种度量 A-X 依赖关系、设计控制 A-X 依赖关系的随机图模型、建立 A-X 依赖关系与图卷积之间的理论联系， - 学习手对手与人对人交互的相互激发
提出了一种互激励图卷积网络 (me-GCN)，通过堆叠互激励图卷积 (me-GC) 层来识别交互动作，成功地建模了实体间的相互语义关系，实验证明了该方法在手对手交互和人对人交互数据集上的优越性。
- 理解图神经网络的异质性
本研究通过引入 Heterophilous Stochastic Block Models (HSBM) 来深入理解图中物种异质性模式对图神经网络的影响，揭示了图卷积操作对分类的可分性提升受到邻域分布欧氏距离和平均节点度的影响，且拓扑噪声对 - 基于卷积匹配的图缩减用于可扩展的图神经网络训练
通过 CONVMATCH 算法和高度可扩展的变种 A-CONVMATCH，我们提出了一种用于创建保持图卷积输出的图摘要的算法，证明 CONVMATCH 在六个真实的链接预测和节点分类图数据集上是高效的，并且在显著减小图大小的同时保持了预测性 - MM通过持久局部同调层的代数拓扑网络
利用代数拓扑学，引入了一种新颖的方法来增强图卷积和注意力模块，通过结合数据的局部拓扑性质。
- 发育和脑部障碍的图卷积聚合分类
我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图 - 室内场景识别的物体间判别图建模
本文提出了一种利用判别性物体知识增强场景特征表示的方法，并通过构建判别性图网络（DGN）以及生成物体场景辨别原型（IODP），将物体知识融入图像表示中，从而在多个常用场景数据集上取得了最先进的结果，证明了该方法的有效性。
- EMNLPInvGC：逆图卷积实现稳健的跨模态检索
通过图卷积和平均池化的后处理技术，InvGC 方法有效地分离不同数据点的表示，提高了检索性能，解决了表示退化问题。
- 图卷积与混合操作的等价性
本研究探讨了图卷积和 Mixup 技术之间的关系。研究发现，在两个条件的基础上，图卷积可以被视为一种在训练和测试阶段都应用的特殊形式的 Mixup。这两个条件分别是：1）同质重标签 - 将目标节点的标签分配给其所有邻居；2）测试时间 Mix - 基于注意力的动态图卷积循环神经网络在高速公路交通流预测中的应用
提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络，用于改善高速公路交通中的交通流量预测，通过注意力机制有效地整合了三种时间分辨率的数据序列，动态创建多动态图以结合动态特征，引入专注于高相关节点的门控核以减少图卷积操作的过拟 - 通过城市人类活动分析提升时空交通预测
提出了一种基于图卷积深度学习算法的改进交通预测方法，利用国家家庭旅行调查的人类活动频率数据增强了活动与交通模式之间的因果关系推断能力，从而实现了最先进的性能表现，而无需引入过多的计算开销。
- 图神经网络从结构信息中可得证明的益处：视作特征学习角度
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 M - ICML寻找缺失的一半：图补充学习用于同质和异质图
本文提出了 Graph cOmplementAry Learning（GOAL）方法，包括两个组件：图互补和互补图卷积，以解决现有 GNN 仅在训练时考虑原始图的问题，实现了对同质和异质性度量进行无差别的图卷积，该方法在八个真实数据集上表现 - 纯谱图嵌入：重新解释图卷积，用于 Top-N 推荐
本文探讨了使用图卷积在协作过滤领域中的优势，并介绍了利用特征向量进行推荐的方法，从而避免了传统梯度下降训练过程。在三个真实世界数据集上获得更高的性能。
- PU-EdgeFormer: 点云稠密预测的边缘 Transformer 上采样
本研究提出了一种基于图卷积和变压器结合的点云上采样方法 PU-EdgeFormer，能够同时学习点云的局部和全局结构，通过实验证明在客观和主观方面都优于现有的最先进方法。