图神经网络的发展历程，截止2023年

夏末汀芷

• 图卷积神经网络（Graph Convolutional Networks，GCN）：2017年，Kipf 和 Welling提出了基于局部连接和卷积操作的图卷积神经网络，可以用于处理节点分类和图分类问题。
  
• 图注意力网络（Graph Attention Networks，GAT）：2018年，Petar Veličković等人提出了图注意力网络，它采用了注意力机制来计算节点之间的相似度，可以学习每个节点在不同层次上的不同重要性。
  
• 图池化（Graph Pooling）：2018年，Zhang等人提出了一种基于节点重要性的图池化方法，可以减少图的大小并保留重要的节点。
  
• GraphSAGE：2018年，Hamilton等人提出了GraphSAGE，它使用类似于Word2Vec的算法，通过聚合节点邻居的特征来生成节点表征。
  
• GraphGAN：2018年，Jiaxuan You等人提出了GraphGAN，它结合了图卷积神经网络和生成对抗网络（GAN），可以用于生成具有特定属性的图。
  
• Graph Convolutional Policy Network（GCPN）：2018年，Wang等人提出了GCPN，它可以学习到从图状态到动作的映射，从而用于图上的强化学习。
  
• Graph Isomorphism Network（GIN）：2018年，Xu等人提出了GIN，它可以处理节点分类和图分类问题，并且具有对置换等价性的不变性。
  
• Deep Graph Infomax（DGI）：2018年，Veličković等人提出了DGI，它通过最大化节点表征和图表征之间的相互信息来学习图表征。
  
• Signed Graph Convolutional Network（SGCN）：2019年，Wu等人提出了SGCN，它可以处理有向图和带有正负权重的图，并且可以保留不同类型的节点和边信息。
  
• Heterogeneous Graph Attention Network（HAN）：2019年，Wang等人提出了HAN，它可以处理异构图，即具有不同类型节点和边的图，从而可以应用于推荐系统和知识图谱等领域。
  

• Graph Transformer Network（GTN）：2020年，Gao等人提出了GTN，它采用了Transformer模型中的自注意力机制，可以处理大规模图，同时具有高效性和可扩展性。
  
• Relational Graph Convolutional Network（RGCN）：2020年，Schlichtkrull等人提出了RGCN，它可以处理包含复杂关系的图，如实体关系图和知识图谱等，其基于边的卷积可以处理不同类型和方向的边。
  
• Geometric Deep Learning on Graphs and Manifolds（GDLM）：2020年，Bronstein等人提出了GDLM，它提供了一种框架，用于在图和流形上进行深度学习。它可以处理非欧几里德空间和不规则结构的数据，如点云数据和网络数据。
  
• Graph Neural Tangent Kernel（GNTK）：2020年，Xu等人提出了GNTK，它提供了一种新的方式来理解图卷积神经网络，即将其视为神经切比雪夫核的近似。该方法可以解释图神经网络的工作原理，并为其性能提供了理论保证。
  
• Deep Graph Random Walk（DGRW）：2020年，Li等人提出了DGRW，它将图卷积神经网络和随机游走相结合，从而可以生成图上的隐式表征。该方法可以应用于图的分类、聚类和生成等任务。
  
• Graph Contrastive Learning（GCL）：2021年，You等人提出了GCL，它通过最大化图中正负节点对之间的相似性来学习节点和图的表征。该方法可以在没有标签的情况下进行无监督学习，从而可以应用于大规模图数据的处理。
  
• Graph Representation Learning with Structural Identity（GRoLSI）：2021年，Chen等人提出了GRoLSI，它采用结构标识符来表示图的拓扑结构，从而可以提高图表征的稳定性和可解释性。
  
• GIN-ICLR：2021年，Li等人提出了GINv2，其在GIN（Graph Isomorphism Network）基础上引入了图诱导嵌入（Graph-Induced Embedding）技术，进一步提高了模型性能。
  
• Graph Multi-Modal Transformer（GMT）：2021年，Zhang等人提出了GMT，其采用多模态的方式处理异构图，从而可以融合不同类型的节点和边信息。
  
• SimGNN：2021年，Bai等人提出了SimGNN，其采用图形相似性来学习图的表征，可以在没有标签的情况下进行无监督学习。
  
• Hybrid and Continual Learning in Graph Neural Networks（HCo-GNN）：2021年，Luo等人提出了HCo-GNN，其可以处理不同类型的节点和边，并支持混合学习和连续学习，从而可以应用于动态图的处理。
  
• Generalizing Graph Convolutional Neural Networks Outside the Homophily Principle（GCN-PR）：2021年，Gao等人提出了GCN-PR，其在传统的GCN模型中引入了图形相似性来解决同质性偏差问题，可以更好地适应异质图。
  
• Improved Training of Graph Convolutional Networks with Variance Reduction（VR-GCN）：2021年，Yang等人提出了VR-GCN，其引入了方差减少技术来加速训练过程，同时提高了模型性能。
  
• Hierarchical Graph Convolutional Networks for Semi-Supervised Node Classification（HGCN）：2021年，Liu等人提出了HGCN，其采用分层图卷积来提高节点分类的准确性，并支持半监督学习。
  

• Dynamic Graph Convolutional Neural Networks（DGCNN）：2022年，Xu等人提出了DGCNN，其可以处理动态图，并在节点和边的时变性建模方面具有较好的性能。
  
• Adversarial Attack and Defense in Graph Neural Networks: A Survey and Taxonomy（GNN攻防）：2022年，Zhao等人发表了一篇综述文章，系统地总结了图神经网络中的对抗攻击和防御方法。
  
• Graph Guided Few-shot Learning with Transformers（GGFSL）：2022年，Zhou等人提出了GGFSL，其采用图引导的方式来辅助少样本学习，可以更好地利用图中的信息。
  
• Graph Neural Networks with Adaptive Neighborhood Attention（ANA-GNN）：2022年，Zhang等人提出了ANA-GNN，其引入了自适应邻域注意力机制来加强节点的表征能力，同时提高了模型的可解释性。
  
• Strongly Connected Graph Neural Networks with Non-overlapping Convolution（SCNN）：2022年，Ma等人提出了SCNN，其采用非重叠卷积来提高模型的表示能力，同时支持图分类和节点分类任务。
  

叨叨魏

666

怀柔人

有文献引用那就更好了[爱]