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%。

本研究提出了一种残差超球图卷积网络（R-HGCNs），有效解决了现有超球图卷积网络的过平滑问题，并通过理论与实验验证了其在多层图卷积中的有效性，显著提升了图的表示能力。

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。

本研究提出了一种新的图神经网络初始化方案（G-Init），有效缓解了过平滑现象，尤其在特征信息不足的“冷启动”场景中表现突出。

本研究分析未训练图卷积网络（GCNs）生成节点嵌入的能力，发现网络宽度影响嵌入差异性，并探讨部分训练GCNs如何在冷启动场景中减少过平滑现象。