图神经网络中谱效应的新视角
该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
基于Laplacian算子，谱图卷积神经网络是一种用于图数据的卷积网络，并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器，在图回归、图分类和节点分类等任务中表现出良好的性能。
Dec, 2020
本文总结了谱图神经网络的最新发展，包括模型、理论和应用等方面的内容，其中介绍了谱性GNN能够捕捉全局信息，并具有更好的可表达性和可解释性。通过对现有谱性GNN的分析，本文梳理了主要理论结果和应用，最后进行了定量实验来评估几种常见的谱性GNN模型，为未来的研究提出了一些方向。
Feb, 2023
本文提出了一种有效而灵活的矩阵来表示图形，通过参数化分解和过滤的方法，将许多现有的GNN模型统一起来，在增强GNN的灵活性的同时，也减轻了现有模型的平滑和放大问题。基于这个通用框架，我们开发的模型在实现上很简单，但在各种图形学习任务上实现了显着的改进和计算效率。
May, 2023
在图学习领域中，传统智慧认为谱卷积网络只能在无向图上部署：只有在这种情况下，才能保证存在一个明确定义的图傅里叶变换，以便在空间域和频谱域之间进行信息翻译。然而，我们通过使用复分析和谱理论中的某些高级工具，证明了这种对图傅里叶变换的依赖是多余的，并将谱卷积扩展到了有向图上。我们提供了对新开发的滤波器的频率响应解释，研究了用于表示滤波器的基函数的影响，并讨论了网络所基于的特征算子之间的相互作用。为了彻底测试所开发的理论，我们在真实的环境中进行了实验，展示了有向谱卷积网络在许多数据集上对异质节点分类提供了最新的最优结果，并且与基准线相比，可以在不同拓扑扰动的分辨率尺度下保持稳定。
Oct, 2023
光谱图神经网络在空间域具有可解释性，通过建立光谱滤波和空间聚合的理论联系，揭示了光谱滤波将原始图形隐式导向适应的新图形，以进行空间聚合和反映节点之间的标签一致性，进而提出了一种新颖的空间自适应滤波(SAF)框架，通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性，在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足，并在13个节点分类基准上进行了广泛实验，证明了该框架相较于现有模型的优越性。
Jan, 2024
提出了一种名为2-D graph convolution的新卷积范式，通过应用Chebyshev插值在ChebNet2D上实现，以解决现有光谱图神经网络在执行光谱图卷积时存在的关键问题。
Apr, 2024
本文提出了一种基于小波的图卷积网络WaveGC，通过集成多分辨率的谱基和矩阵值滤波器核心，实现有效捕获和分离短程和长程信息，提供了更高的灵活性和表达能力，并在短程和长程任务中相比现有模型取得了改进。
May, 2024
空间消息传递图神经网络（MPGNNs）具有学习图结构数据的广泛应用。我们提出了时空谱图神经网络（S$^2$GNNs），它在模型中结合了空间和频谱参数化图滤波器，从而解决了目前的局限性，并且在性能上超越了现有的方法。
May, 2024
本研究针对传统谱图神经网络在处理实际图数据时的不足，提出了一种新的图神经网络GrassNet，通过引入结构化状态空间模型来处理信号在不同频率下的相关性，具有更强的表达能力。实验结果表明，GrassNet在九个公开基准数据集上的表现优于现有谱图方滤波器。
Aug, 2024