- 无需外观信息的跟踪：使用局部和全局运动模式学习车辆边界框及轨迹嵌入
本研究提出了一种基于运动模式的长期车辆跟踪方法，使用图卷积神经网络解决跟踪路径嵌入问题，无需外部外观信息，结果在 KITTI-car 跟踪数据集和 UA-Detrac 数据集上获得与最先进跟踪器相当的性能。
- MM基于图形的深度学习用于通信网络：一项调研
该论文综述了基于不同类型的深度学习模型（如图卷积神经网络和图注意力网络）在通信网络的各种问题中如何建模网络拓扑结构，并列出了每个研究的问题和解决方案的列表，并确定了未来的研究方向。此外，该研究是第一份聚焦于基于图的深度学习方法在涉及有线和无 - ICCV网格 Graphormer
本文提出一种名为 Mesh Graphormer 的图卷积强化 Transformer，可从单张图像中重建 3D 人体姿势和网格。实验结果表明，该方法在多个基准测试中显著优于先前的最先进方法。
- 同一问题的两个方面：图卷积神经网络中的异质性和过度平滑
通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。
- 探索半精度图卷积神经网络
本研究通过在 GPU 上使用 PyTorch 框架实现了一种基于 Tensor Cores 的降低精度操作，以提高图形卷积神经网络的计算和内存使用效率，结果表明这种方法可以在不降低性能的情况下有效减少内存使用量。
- 旋转不变的三维点云局部到全局表征学习
本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化 - 基于节点转移概率的消息传递和 DropNode 正则化的图卷积神经网络
本文提出了一种改进的基于节点转移概率的消息传递过程和一种新的正则化方法 DropNode，以解决小型图形上的过拟合和过度平滑等问题，实验发现这种方法在节点和图分类任务中要优于现有的方法。
- CVPRUV-Net: 从边界表示中学习
UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。
- GCN-RL 电路设计师：基于图神经网络和强化学习的可转移晶体管尺寸优化
该研究介绍了使用强化学习和图卷积神经网络实现电路自动设计中的跨电路知识转移并在四种电路中实现了最优 Figures of Merit (FoM) 优化结果的方法，并对使用转移学习的情况进行了评估，证明了知识转移的重要性。
- CVPRHOPE-Net: 基于图形的手 - 物体姿态估计模型
本文提出了一个轻量级的模型（HOPE-Net），它使用两级自适应图卷积神经网络级联来实时联合估计手和物体姿势的 2D 和 3D 坐标，通过端到端训练获得更好的 2D 和 3D 坐标估计精度，并且该模型可用于其他 3D 关键点检测问题。
- 用于图结构数据的卷积核网络
本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简 - 通过污染邻居节点实施图卷积神经网络的间接对抗攻击
本论文旨在研究图卷积神经网络（GCN）中的对抗性攻击，针对 GCN 中利用邻居节点学习聚合信息的方法进行了攻击，并提出了新的方法来执行间接攻击，以检测网络的鲁棒性。在实验中，作者表明，只需毒化一个远离目标节点一个或两个跳点的单个节点，就可以 - 统一图卷积神经网络和标签传播
本文探讨了标签传播 (LPA) 算法与图卷积神经网络 (GCN) 在节点分类领域中的关系，并基于理论分析提出了一种端到端模型，它将标签传播作为正则化来协助 GCN 学习正确权重，提高了节点分类的准确性。
- GPU 上 GCN 的特性与理解
本文通过对 GCNs 进行特征化并在 NVIDIA V100 GPU 上探索 GCN 模型，提出了一些有用的指南，以实现 GCNs 在 GPU 上高效执行的软件优化和硬件优化。
- GraphTER：通过节点变换自编码无监督学习图变换等变表示
本研究介绍了一种无监督学习的图变换等变表示（GraphTER）方法，可以有效地从 3D 点云数据中捕捉全局和局部变换下的图形结构，与现有的无监督方法相比表现更好，且可扩展用于其他数据集。
- 使用节点复制的贝叶斯图卷积神经网络
本文介绍了一种基于复制节点的图形生成模型，将其纳入贝叶斯 GCNN 框架内，并利用节点特征和训练标签来推断图形拓扑结构，实验证明该算法在基准节点分类任务中表现优异。
- 基于句法连接和语义一致性的定义提取联合模型
本研究提出了一种使用深度学习与多任务学习框架，包含图卷积神经网络的新模型，用于识别非结构化文本中术语和对应定义的定位，旨在使分类任务和序列标注任务相互促进，提高表示向量的质量以及识别效率。
- KDD针对图的无监督学习和半监督学习的基于维度分离的二维图卷积
这篇文章探讨了使用二维卷积来同时建模对象链接和属性关系以进行图表征学习，并提出了一种计算高效的分维可分离二维图卷积（DSGC）方法在节点功能过滤上。经实验，通过建模属性关系，DSGC 在各种真实世界网络上用于节点分类和聚类，成绩显著优于现有 - KDD图卷积神经网络的稳定性和泛化性能
本文研究了图卷积神经网络在半监督学习环境下的算法稳定性及其一阶推论；通过分析单层 GCNN 模型的稳定性，导出其一般化保证，提出稳定性关于其卷积核最大绝对特征值的依赖规律，并说明产生保证所需的卷积核最大特征值与图大小无关，为设计保证的算法稳 - 分析学习的分子表征进行性质预测
在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发