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

本文提出了一种基于图嵌入的设备对设备网络链路调度方法，利用机器学习技术取代传统的数学优化技术，从而减少计算复杂度，增加可扩展性，并且在大规模的场景中仍具有良好的通用性，且只需少量的训练样本就可实现接近最优的表现。

Jun, 2019

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

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

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

本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

Jul, 2019

基于迭代计算图优化的高效内存感知调度框架可显著降低网络推理的内存占用，具有更好的可扩展性和计划优化性能。

Aug, 2023

本文提出了一种分布式算法框架来训练图卷积网络，利用了输入数据的有意义的关系结构，并在不同代理之间分割数据图表达的优化通信拓扑结构，提出了一种分布式梯度下降算法来解决 GCN 训练问题，并建立了一套评价通信拓扑的优化准则。

Jul, 2020

设计了一种图神经网络 (GNN) 来提高多个合法无线用户向基站传输数据时的带宽分配，在存在窃听者的情况下提高隐私性并防止窃听攻击，通过用户调度算法来满足瞬时最小保密率约束，并基于此优化了带宽分配，通过迭代搜索 (IvS)、基于 GNN 的监督学习 (GNN-SL) 和基于 GNN 的无监督学习 (GNN-USL) 三种算法。计算复杂度分析表明 GNN-SL 和 GNN-USL 相对于受带宽块大小限制的 IvS 来说更高效。数值模拟结果表明，我们提出的基于 GNN 的资源分配与 IvS 相比可以实现可比较的总保密率，同时计算复杂度显著降低。此外，我们观察到 GNN 方法在窃听者信道状态信息不确定性方面更为稳健，特别是与最佳信道分配方案相比。

Dec, 2023

该研究旨在提出一种基于深度强化学习和图卷积网络的信道分配方案，使用 GCNs 提取 AP 拓扑结构的特征，进而在竞争图中提高学习速度和控制信道。该方法在模拟实验中表现优于现有方法。

May, 2019