该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

Nov, 2020

本文提出了一种基于图卷积网络（GCN）的快速启发式调度策略，该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解，基于浅层 GCN 的分布式启发式策略能减少近 50％的子最优解差距，且策略具有较好的推广性能。

Sep, 2021

本篇研究论文讨论如何使用深度学习方法，通过利用发射机和接收机之间的地理位置，不需要通道估计，对干扰链路的优化调度算法，提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明，该方法可适用于大型网络和不同链路密度的部署，并有效地提高了网络效用。

Aug, 2018

利用基于图神经网络的深度学习架构和无监督的拉格朗日对偶学习框架，联合进行波束选择和链路激活以控制毫米波通信网络中通信对之间的干扰，并达到近似最优解。

Jul, 2021

我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

Oct, 2016

本文提出一种无监督的图神经网络方法用于解决无线通信系统中的用户配对问题，该方法在网络资源分配，用户配对和动态网络等方面显著优于传统的 ML 和 CNN 方法。

May, 2023

利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

May, 2024

使用机器学习中的模仿学习方法，加速分支定界算法并在深度神经网络中使用创新的损失函数来实现更好的动态控制，以同时实现更好的最优性和更少的计算复杂性。

Mar, 2019

本文提出使用不同边缘设备间通过通信链接共享数据样本的新设备到设备的数据共享方法，在此设置下，优化了无线电资源分配以减少训练时延，并在数据样本在边缘设备之间非独立且非同分布时增加了训练精度。

Jan, 2020

通过在基于分布式贪婪框架上引入基于图的机器学习，我们提出了一种低开销、拥塞感知的分布式任务卸载方案，以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中，根据最短路径路由和基于争用的链路调度的资源分配方案，我们的方法在减少拥塞或不稳定队列的同时，提高了本地计算的执行延迟，相比于上下文不可知的基准方案。

Dec, 2023