本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

Dec, 2020

利用 Federated Learning and Asynchronous Graph Convolutional Network (FLAGCN) 模型的异步图卷积和联邦学习原则，通过空间 - 时间图卷积技术有效地异步处理了交通数据的时空依赖关系，提高了实时交通流预测的准确性和效率。FLAGCN 在两个不同的交通数据集上测试的实验结果表明，相比于现有最佳模型，FLAGCN 在减少均方根误差 (RMSE) 方面提高了约 6.85%，在平均百分比绝对误差 (MAPE) 方面提高了约 20.45%，同时实现了训练和推理时间的优化。

Jan, 2024

本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。

May, 2024

本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

Apr, 2021

本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

该研究提出了一种基于节点掩蔽和多粒度消息传递的联邦图模型来解决时空预测中的隐私和安全问题，该模型的实验结果表明在两种不同的场景中得到了最佳结果。

Oct, 2022

本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

May, 2020

本研究提出 SpreadGNN，是一种新型的多任务联邦学习框架，能够在无中心服务器的情况下操作，使用一个具有收敛保证的新型优化算法 Decentralized Periodic Averaging SGD (DPA-SGD) 来解决分散式多任务学习问题，并在各种非独立同分布的分布式图层次 molecular property prediction 数据集上验证了其有效性。

Jun, 2021

本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

May, 2023

本文提出了一个自动化的分离式联邦图神经网络学习范式 (ASFGNN)，该范式包括 GNN 的训练和超参数调整两个主要组成部分，通过分离 - 联邦 GNN 学习模型和贝叶斯优化技术解决了数据的 Non-IID 问题和超参数调整的耗时问题，实验结果表明 ASFGNN 显著优于普通联邦 GNN。

Nov, 2020