- ICMLGATE: 如何阻止侵入的邻居
GATE 是一种 GAT 的扩展，通过解决不必要的邻居聚合的根本原因，减轻了过平滑问题，并通过减小与不相关邻居的连接权重，在真实世界的异质数据集上常常优于 GAT。
- SPGNN: 通过增强图卷积和池化识别显著子图模式
提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式 GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他 GNN 方法相媲美的表现。
- 图形背后的更多秘密：利用自我监督学习通用特征
研究多图之间自监管的通用特征学习问题，提出了一种使用 transformer 和 neighborhood aggregation 模块来将多个具有不同特征的图的结点向量映射到通用向量空间的方法，实现了在多个相同类型图之间学习通用特征，并在 - AAAIFTM：一种用于时态图表示学习的帧级时间线建模方法
该论文提出了一种基于 Frame-level Timeline Modeling (FTM) 的邻居聚合策略，用于学习捕捉时间性 Graph 数据的短期和长期特征的表示，并在常用的数据集上得到了较大的性能改进，具备更好的健壮性和领域通用性。
- 自适应读取的图神经网络
通过神经网络提供自适应 readout 功能，将节点特征高效地聚合成图级表示，在处理包括图神经网络的许多学习任务中是必不可少的。在某些问题中（如结合亲和力预测），可以松弛假设空间排列不变性的限制并使用自适应 readout 函数来学习更有效 - ICLRNAGPhormer：用于大型图中节点分类的基于令牌化的图变换器
本文提出了一种邻域聚合图变换器（NAGphormer）来处理大规模数据集的图分析问题，在 Hop2Token 模块的引导下， NAGphormer 能够将每个节点作为包含一系列令牌的序列处理，利用邻域信息构建一个序列来训练模型，从而在图神经 - 反向传播邻域聚合：用于脉冲神经网络准确训练的方法
提出了一种新颖的类反向传播算法 NA，用于解决在脉冲神经网络中通过邻域聚合的方式计算出精确误差梯度，进而训练模型，该算法在多个数据集上达到了目前最佳性能。
- 基于互信息和自监督双层聚合的节点嵌入
本文通过使用互信息（mutual information）引入局部区域和全局区域的概念，并利用双层聚合对复杂的节点特征进行建模，实现了对于无序图中节点表示的高效学习和训练。同时，借助于自监督学习，将有限的标签数据结合互信息理论进行更加细致的 - CVPR一种双曲到双曲的图卷积网络
本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。
- ICML图神经网络的信息混淆
本文提出了一种采用总变分和 Wasserstein 距离进行敌对训练以本地过滤敏感属性的框架，从而增强对推断攻击的防御能力。实验证实，该方法在各种图结构和任务下均提供了强大的防御，并产生了适用于下游任务的竞争性 GNN 编码器。
- 深度图卷积网络中过度平滑化的重新审视
本论文提出了一种新的观点，即深度图卷积网络在训练过程中可以学习抗去平滑化的能力，并设计了一种简单却有效的技巧来改善 GCN 训练，同时在三个引用网络上验证了结论并提供了 GCN 邻域聚合方面的见解。
- SIGIRLightGCN：简化和强化图卷积网络用于推荐
研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分 - GraLSP：具有局部结构模式的图神经网络
我们提出了 GraLSP—— 一种图神经网络框架，通过随机匿名游走显式地将局部结构模式纳入邻域聚合中，设计了各种机制来解决结构特征的影响，包括自适应感受野、注意力和放大，并设计了捕捉相似性的目标，结合节点邻近度目标进行优化。
- DAGCN: 双重注意力图卷积网络
本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。
- 基于置信度的图卷积网络用于半监督学习
本文提出了 ConfGCN，并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响，从而获得了各向异性的能力，从而在标准基准测试中超过了现有技术水平的基线，以解决基于 GCN 的设置下缺乏置信度评估的问题。