本研究通过优化硬件模块和提出双步卷积方法，解决了图卷积神经网络在FPGA实现中的可扩展性问题，显著降低了查找表(LUT)的使用量，提高了GCNN的可扩展性。

本研究提出了PoseDiffusion框架，通过图卷积神经网络学习人体骨架的空间关系，解决了文本驱动的姿态骨架生成的挑战。实验结果显示PoseDiffusion在稳定性和多样性方面优于现有方法。

本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题，通过导出了一个新的界限，明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异。该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。通过小扰动分析工具，定量地描述了特定边的扰动对网络稳定性的影响，并以闭合但近似的形式表达界限，提高结果的解释性。最后，对所提出的界限进行了数值评估。

本研究提出了一种名为GCN-based Anti-Spam（GAS）模型的基于图卷积神经网络（GCN）的大规模反垃圾邮件方法。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能上表现优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。

该研究提供了一个评估图神经网络泛化误差的理论框架，探索了图卷积神经网络和消息传递图神经网络两种类型。通过新方法导出上界，为网络在未知数据上的性能提供理论保证。

本研究提出了一种基于数据驱动图滤波器的图卷积神经网络模型，用于预测自行车共享网络中车站级别的小时需求。通过比较多种模型，发现GCNNrec-DDGF和GCNNreg-DDGF表现最佳。此外，通过DDGF分析，发现了车站之间的隐藏异质性相关关系。

通过分析神经元激活信息和目标模型拓扑结构，研发了一种新型逃避攻击检测器，利用图卷积神经网络（GCN）技术取得了理想结果。

本研究提出了一种基于数据驱动图滤波器的图卷积神经网络模型，用于预测自行车共享网络中车站级别的小时需求。通过测试发现，GCNNrec-DDGF和GCNNreg-DDGF的表现最佳。此外，通过DDGF获得更详细的图网络分析，揭示了车站之间的隐藏异质性相关关系。

本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题，通过导出一个新的界限，明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异。界限取决于拉普拉斯矩阵特征对的扰动程度和插入或删除的边。通过小扰动分析工具，定量描述了特定边的扰动对网络稳定性的影响。数值评估证明了界限的有效性。

本文介绍了一种利用超几何空间表达能力和嵌入高度曲率特点的归纳式超几何图卷积神经网络(HGCN)，可以学习分层和无标度图的节点表示。实验证明，HGCN 学习到的嵌入保留了分层结构，且在链路预测和节点分类中性能表现更好，改善了 Pubmed 数据集的最新技术水平。

本文提出了一种使用GCN学习实体和关系表示的联合学习框架，以改善实体对齐。实验表明，该方法在三个跨语言数据集上优于现有方法。

本文提出了一种半监督神经架构评估方法，使用自编码器发现有意义的神经架构表示，并利用图卷积神经网络预测性能，以实现高效神经架构搜索。在 NAS-Benchmark-101 数据集上进行了实验，证明该方法有效。

本文研究了图卷积神经网络的图压缩问题，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，将不同图数据集压缩成信息丰富的较小图并用于训练各种GNN体系结构。测试结果表明，在Reddit、Flickr和Citeseer上，压缩后的图的尺寸缩小了99.9%以上，同时准确率分别为95.3%、99.8%和99.0%。