本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

Jul, 2020

本研究提出了一种新的图形 Transformer 架构，称为 Anchor Graph Transformer（AGFormer），通过利用锚图模型将节点到节点的消息传递转换为锚到锚和锚到节点的消息传递过程，从而比常规节点到节点的 Transformer 更高效且更具鲁棒性。

May, 2023

该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。

Jul, 2023

本论文提出了一个称为主动图嵌入（AGE）的框架，用于选择最具信息量的节点作为训练有标签节点，以提高半监督图嵌入算法的性能，并结合具有时间敏感性的参数。实验结果表明我们所提出的查询策略的每个组成部分的有效性以及使用时间敏感性参数进行组合的强大性。

May, 2017

本研究提出了 AGGGEN，一种数据到文本模型，重新引入了两个明确的句子规划阶段到神经数据到文本系统中：输入排序和输入聚合。我们的模型仍然是端到端的： AGGGEN 通过学习输入表示和目标文本之间的潜在对准（通过语义事实）在生成文本的同时执行句子规划。在 WebNLG 和 E2E 挑战数据上的实验表明，通过使用基于事实的对齐，我们的方法更可解释，更具表达性，对噪声更具鲁棒性，更易于控制，同时保留端到端系统在流畅度方面的优势。

Jun, 2021

本文提出采用异步事件驱动图神经网络 (AEGNN)，将事件处理范式从已知稀疏的静态图扩展到事件数据域中的一个演化的稀疏图，在物体分类和检测任务上，实现了计算复杂度提高 11 倍的同时，保持了最新的异步方法相同甚至更好的性能表现，将计算的降低转化为计算延迟降低了 8 倍，为低延时事件处理打开了新的机遇。

Mar, 2022

本研究提出了一种 Alternating Graph-regularized Neural Network (AGNN) 模型，其中包括 Graph Convolutional Layer (GCL) 和 Graph Embedding Layer (GEL)。GEL 通过包含拉普拉斯嵌入项的图正则化优化导出，可以通过从低阶特征空间定期投影到高阶空间来缓解过度平滑问题。通过改进的 Adaboost 策略聚合来自每一层的输出，并探索多跳邻居的集成嵌入，评估表明，在比较某些多层或多阶图神经网络的性能基础上，AGNN 比现有的最先进模型表现更好。

Apr, 2023

本文提出了一种名为 ImGAGN 的生成对抗图网络模型，通过引入一种名为 GraphGenerator 的新型生成器解决不平衡网络上的节点分类问题，该生成器可以模拟少数类节点的属性分布和网络拓扑结构分布，进而使不同类别节点的数量得以平衡，通过在实际平衡的网络上训练 GCN 鉴别器，该方法在四个真实世界的不平衡网络数据集上表现出了超越最先进算法的半监督节点分类任务的效果。

Jun, 2021

提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

Jul, 2020

开发了一种具有不确定性量化的图嵌入模型 TransformerG2G，通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文（在时间戳 [$ t-1，t-l $] 上，$ l $ 是上下文的长度）中首先学习中间节点表示。

Jul, 2023