- 通过邻居图增强多目标跟踪中的关联性
该论文提出了一种改进的多目标跟踪方法，利用邻居之间的信息，通过构建邻居图和应用图卷积网络来学习图形特征，从而提高在线多目标跟踪的性能。
- 用赌徒采样训练图神经网络
本文提出了一种将采样方差优化视为对手赌博问题，以加速图卷积网络和图注意力网络等图神经网络的训练的方法，并在多个数据集上展示了其有效性和高效性。
- 通过注入恶意节点对图数据进行可扩展的攻击
本文提出一种名为 AFGSM 的可测量攻击框架，用于针对在大规模节点图上的深度学习模型进行攻击，实现注入新的恶意节点并大幅降低模型分类准确率。
- CVPRL$^2$-GCN: 图卷积网络的层次和学习有效训练
本研究提出了一种高效的图形卷积网络（GCN）训练框架 L-GCN，该框架通过在训练期间解耦功能聚合和功能转换，大大降低了时间和内存复杂度，并提出了 L²-GCN，用于每个层学习控制器，可以自动调整每个层的训练时期。实验表明，在不依赖于数据集 - WSDM半监督分类的循环注意漫步
本文使用基于图的半监督学习方法对带属性节点进行分类。通过提出图游走的策略，使用强化学习来实现分类器的最大化精度，使得该方法能够灵活应对不同的归纳或传导学习任务，并且在四种数据集上测试结果表明，该方法胜过当前多种方法。
- 基于图卷积网络的三维感知自我中心空时交互学习
本文提出了一种 3D 感知的自我中心空间 - 时间交互框架，用于自动驾驶应用，采用图卷积网络（GCN）进行交互建模，对于特定场景的驾驶行为识别领域，该框架在 Honda Research Institute Driving Dataset - 基于区域的图形主动学习查询
本文提出了两种基于图卷积神经网络的主动学习标注节点方法，一种是扩展传统的不确定性度量，另一种是扩展 PageRank 算法。实验证明，当已标记节点数量低且该数量逐渐增加时，后者比所有现有方法更优，而前者是最优的。
- 基于注意力机制的图卷积神经网络点云学习
提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。
- ICML路径增强图变换器网络
提出了一种基于路径增强的图转换网络 (PAGTN)，用于学习分子表示，并将其与基于图卷积网络 (GCN) 的模型进行比较，在分子属性预测方面表现更好，包括量子化学 (QM7，QM8，QM9)，物理化学 (ESOL，亲脂) 和生物化学 (BA - ACL知识图谱嵌入及图卷积网络实现长尾关系抽取
研究了如何利用距离监督关系抽取方法，基于知识图谱嵌入和图卷积网络，精确学习长尾分布中少见的关系类型，通过知识感知机制实现对数据贫乏类别的性能增强。该方法在大规模基准数据集上的实验中表现出优于其他基线方法的明显优势，特别是对于长尾分布的关系。
- EMNLP利用侧面信息改进远程监控神经关系提取的 RESIDE 方法
本文提出了一种名为 RESIDE 的远程监督神经关系提取方法，利用知识库中的实体类型和关系别名信息来提高关系提取的准确率。通过使用图卷积网络将句法信息编码，即使在有限的附属信息可用时，也可以提高其性能。通过对基准数据集进行广泛的实验证明了 - 药物发现中的图级表示学习
本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。