这篇论文提出了一种基于图神经网络（GNN）的网络模型 RouteNet，该模型通过学习和建模图结构信息，理解拓扑、路由和输入流量之间的复杂关系，从而准确预测网络中的表现指标，并且可以泛化到任意拓扑、路由和流量强度，可以应用于路由优化和网络规划等多个领域。

Oct, 2019

通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

Oct, 2023

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

Oct, 2019

本文提出了一种基于图神经网络的方法，较之传统深度学习方法，更能准确地建模网络路由，进行路由网络配置预测和时延估计。同时，该方法还具有较强的泛化能力，并能跨越不同网络规模和配置，更好地适应开放性预测需求。

Jul, 2022

该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

Apr, 2024

本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

Oct, 2022

这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

Dec, 2023

通过综述现有的图卷积神经网络预测不确定性理论与方法，以及相关任务，我们主要关注不确定性的集成，这旨在增强模型性能与预测可靠性，从而桥接理论与实践，并连接不同的图卷积神经网络社区，同时为这个领域提供了有价值的研究方向。

Mar, 2024