- ICMLPANDA: 扩展宽度感知的消息传递超越重连
引入一种扩展型宽度感知信息传递（PANDA）的新信息传递范式，在网络结构中选择性地扩展具有高度中心性的节点，以解决 “过度压缩” 问题，并且在实验中表现优于传统的网络重连方法。
- 利用扩展图进行时态图重构
提出了一种用于时态图的图重连方法，利用扩展图传播构建消息传递路径以实现远距离节点之间的通信。在公共数据集上验证了该方法对提高时态图神经网络性能的有效性。
- 重正化图神经网络
该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。
- ICMLDRew: 动态重连的消息传递与延迟
本文提出了一种适用于任何 MPNN 体系结构的框架，通过执行分层依赖的重连来确保图逐渐密集，同时提出了一种可延迟的机制，允许基于层和彼此的距离，节点之间进行跳过连接，并在几个长程任务上验证了该方法，表明它胜过了图转换器和多跳 MPNN。
- WWW同构偏好导向的异质图重连
本研究旨在提高异质图神经网络（HGNN）在非同质化环境下的泛化能力，通过提出一种基于元路径的刻画异质图同质性度量方法，并设计了基于同质性的异质图重连方法 HDHGR 来提高 HGNN 的性能。实验证明 HDHGR 的有效性，可以获得 10％ - 消息传递神经网络中过度压缩的影响：宽度、深度和拓扑的影响
通过理论分析，证明神经网络节点宽度可以缓解过度压缩问题，而神经网络深度则无法解决此问题。节点距离越远的高通勤时间节点之间出现过度压缩现象，而图形改写属于解决此问题的一类方法。
- DiffWire: 通过 Lovász 上界进行归纳图重连
本文提出了一个新框架 DiffWire，使用 CT-Layer 和 GAP-Layer 两种新型层，令 Graph Neural Networks 具有更好的表达能力和稳定性，解决了现有 MPNNs 存在的问题。同时，实验证明不同层分别在图 - 使用深度强化学习的熵最大化动态网络重构
本文提出了一种基于深度 Q 网络算法和图神经网络技术的网络重连方法，可以有效地学习网络的重连策略，并在网络实验和电脑网络安全领域取得了优异的表现。
- 从多阶相互作用中发现并解释图神经网络的表示瓶颈
本文探讨了图神经网络在不同复杂情况下捕捉节点之间相互作用信息的能力，并发现了当前机制存在的问题，提出了一种基于交互模式的新颖图重连方法以缓解表征瓶颈并提高性能。实验结果证明了该方法的有效性及其优于现有基准算法的表现。
- 通过重连对图卷积网络进行攻击
本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。