分析了 Vertex-GNNs 和 Edge-GNNs 在学习无线策略时的表达能力，说明了通过使用线性处理器和输出维度来提高 GNNs 的表达能力的必要条件，并通过模拟结果验证了 Edge-GNNs 能以较低的训练和推理时间达到与 Vertex-GNNs 相同的性能。

Jul, 2023

本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

Jul, 2020

本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

Oct, 2022

本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

Sep, 2019

无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

Mar, 2024

本文提出 EdgeNet 框架，将现有的图卷积神经网络（GCNNs）和图注意力网络（GATs）统一起来，使得同一问题可以使用不同的 GNN 结构来解决，并且指导和优化各种 GNNs 的性能和实现。

Jan, 2020

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

本文简要介绍了 GNN（图神经网络）的构建方法和在无线网络中的应用，包括资源分配和新兴领域的探索，并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。

Jul, 2021

本研究提出了基于邻居节点的阈值方法，用于减少无线网络中图神经网络算法的复杂度，同时保持较强的性能，并分析了不同通信信道情况下适当选择距离阈值和邻居阈值的建议。结果表明，所提出的 GNN 方法在降低时间复杂度方面具有显着优势，并且通过选择适当的阈值，时间复杂度可以从 O (|V|^2) 降低到 O (|V|)。

May, 2023

该论文分析了深度图神经网络的瓶颈问题以及提出了一种基于狄利克雷能量的通用原则，通过该原则设计了一种新型深度图神经网络框架 - EGNN，并在实验结果中取得了最新颖的表现。

Jul, 2021