局部平稳图过程
本文概述了在图上信号处理的方法，从图谱论、多尺度变换的角度阐述了在处理高维数据的图结构方面的方法和挑战，并强调了考虑到图形数据不规则结构的重要性。
Oct, 2012
本文研究基于图信号的信号处理问题，提出了一种基于核回归的模型方法，能够有效地处理图信号的重构和估计问题，并通过多核方法的应用，解决了参数选择和滤波器自动选择的难题。
May, 2016
通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。
Mar, 2018
本文综述了从统计学和物理学等传统观点以及从图信号处理(GSP)角度采用的更近期的方法。本文重点强调了传统和GSP为基础的图推理方法之间的概念上的异同，并强调了后一种方法在许多理论和实践情景中的潜在优势，并结论了未来信号处理和机器学习算法的设计面临的若干开放问题和挑战。
Jun, 2018
该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来GSP技术发展的新视角，以解锁在现代数据分析中的许多挑战。
Jul, 2020
本文提出了一种图正则化点过程模型来建模事件传播，通过对节点嵌入的上下文化将时间关注度模型的励興和时间衰减因子构建到当前事件的过程中， 还通过应用图正则化方法提供了模型可解释性.
Nov, 2022
设计了一种新模型（LogSpecT）来代替rSpecT，通过现代优化工具的阐述，提供了rLogSpecT的恢复保证，证明了rLogSpecT的优势和稳定性，并将其推广到各种图学习应用上。
May, 2023
本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间-时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。
May, 2023
本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了GraphSSM框架，用于建模时间图的动态性，实验证明GraphSSM在各种时间图基准测试中的有效性。
Jun, 2024
通过引入连续时间图反对称网络（CTAN），本文展示了CTAN方法在模拟长程依赖任务以及在合成长程基准和实际基准上的优越性能，从而证明了其长程建模能力并将长程任务作为时间图模型评价的一部分。
Jun, 2024