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

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

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

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

本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

Mar, 2019

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

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

该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

Nov, 2020

通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

Mar, 2024

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