该研究提出了一种名为图解卷积网络（GDN）的解决方案，旨在通过组合频谱域中的逆滤波器和小波域中的去噪层，实现对由图解卷积网络（GCN）平滑的图形数据的重建操作，同时解决信号中的噪声干扰问题，它在图特征补全和图结构生成等多项任务中展示出了有效性。

Oct, 2021

本文提出了一种新颖的基于图卷积网络的 SSL 算法，通过利用数据相似性和图结构来丰富监督信号，从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系，并在各种实际数据集上取得了显著的分类性能，与现有最先进的方法进行了比较。

Sep, 2020

该研究提出了使用邻域 Wasserstein 重构方法实现更好的无监督 GNN 训练，生成更具优势的以结构为导向的图挖掘任务的无监督节点表示。

Feb, 2022

通过将 Wiener 去卷积算法与深度学习结合，提出了面向非盲目图像去模糊的一种新方法，通过特征空间中的显式去卷积过程并利用多尺度特征细化模块逐步恢复细节和小尺度结构，训练模型的结果表明，所提出的深度 Wiener 去卷积网络能够缩小众多噪点，并在真实世界图像模糊的情况下优化表现，有着显著的效果。

Mar, 2021

本论文介绍了自监督学习在图神经网络上的应用，将其方法分为对比模型和预测模型并提供统一的框架，在 SSL 方法和数据集上提供了概述和标准化的测试平台。

Feb, 2021

本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

May, 2019

本文提出了一种基于去噪声码器的语音增强方法，利用自监督学习获取语音的相关特征，并采用最佳的自监督学习配置，采用对抗训练方式进行声音去噪，最终实现了一种具备实时能力、优化了客观指标并超越了当前最先进的语音增强模型的方案。

Nov, 2022

通过自监督学习技术，我们提出了一种适用于任何 3D-GAN 的辅助损失，旨在改进其 3D 几何建模能力，并通过综合实验证实了该方法的有效性。

Dec, 2023

我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

Apr, 2019

本文提出了一种基于潜在图预测的自我监督学习框架 LaGraph，通过其理论上的自我监督上界来学习预测未观察到的潜在图。在实验中得到了相对于其他相关方法在性能上的提高和对样本减少的鲁棒性提升的证明。

Feb, 2022