本研究提出了一种聚类-归一化-激活（CNA）模块，有效解决了图神经网络的过平滑问题，显著提升了节点分类和属性预测的准确率，Cora和CiteSeer数据集上分别达到94.18%和95.75%。

本研究探讨了图神经网络（GNN）在过压缩和过平滑方面的挑战，提出通过图重连技术来改善信息传播，发现合适的重连方法能显著提升GNN的表达能力和信息流动性。

本研究探讨了未训练的图卷积网络（GCNs）在生成有效节点嵌入方面的表现。结果显示，单层GCNs的网络宽度会影响嵌入的差异性，并且部分训练的GCNs能够有效减少过平滑现象。

该文汇总多篇图机器学习研究，涵盖图神经网络表达能力、鲁棒性与对齐方法，主要贡献包括：用随机特征增强GNN表达能力；提出抗标签噪声的损失校正方法；设计全局对齐图核与广义图自编码器实现跨图对齐；以及GANN等新架构缓解过平滑问题。

本文综述图神经网络在多领域的应用：用变分分析增强长距离依赖，在Cora等数据集达最优；提出GINO学习大规模偏微分方程解算器，预测车身压力提速26000倍；构建离散PINN框架处理不规则几何；提出IGNNK恢复传感器数据；用GIN评估中压网提速千倍；提出BGNN模拟颗粒与三维边界交互；以及GND-Nets缓解过平滑、Surface Networks等。