提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021

利用多样化光谱滤波的框架 (DSF)，在光谱图神经网络的基础上，通过自动学习节点特定的滤波权重，平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式，从而提高节点分类任务的模型性能。

Dec, 2023

提出了一种新颖的图神经网络框架 AdaGNN，其中包含了一种经过精心设计的自适应频率响应滤波器，可以在节点表示学习中捕获不同特征通道之间的内在差异，从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明，所提出的 AdaGNN 框架具有很高的有效性，同时还提供了理论分析以证明其优越性。

Apr, 2021

本文研究了基于图信号滤波器的谱图神经网络的表达能力，证明了无需非线性函数就可产生任意图信号，并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络，该网络能在不使用非线性函数的情况下超越所有对比算法。

May, 2022

提出 BernNet 作为一种新型图神经网络，它通过 Bernstein 多项式逼近设计和学习任意图谱滤波器，能够学习任意的谱滤波器而不仅仅是预定义的或无约束的，从而在现实世界的图形建模任务中取得了出色的性能表现。

Jun, 2021

Spectral Graph Neural Networks (GNNs) have been widely used for graph learning tasks, but existing poly-GNNs face issues in approximating band-pass graph filters. In this paper, a novel poly-GNN called TrigoNet is proposed, which constructs graph filters using trigonometric polynomials and achieves superior performance in approximating band-pass graph filters.

Apr, 2024

基于谱图神经网络和多项式滤波器，本研究提出了一种新颖的自适应异质基础，通过理论分析探索了期望多项式基与异质性程度之间的内在关联，并将其与同质性基础相结合，构建了一个多项式滤波器的图神经网络 UniFilter，成功优化了卷积和传播过程，在各种异质性程度的真实和合成数据集上进行的大量实验证明了 UniFilter 的优越性，同时突出了 UniBasis 在图解释方面的能力。

May, 2024

通过结合异质性度和同质性度，我们提出了一种新的通用多项式滤波器 UniFilter，采用了自适应异质性基础 UniBasis，并证明了它在图分析中的优越性和广泛适用性。

Nov, 2023

光谱图神经网络在空间域具有可解释性，通过建立光谱滤波和空间聚合的理论联系，揭示了光谱滤波将原始图形隐式导向适应的新图形，以进行空间聚合和反映节点之间的标签一致性，进而提出了一种新颖的空间自适应滤波 (SAF) 框架，通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性，在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足，并在 13 个节点分类基准上进行了广泛实验，证明了该框架相较于现有模型的优越性。

Jan, 2024

本文提出了一种新的自动多项式图滤波器学习框架 ——Auto-Polynomial，能够更高效地学习适应各种复杂图信号的滤波器，从而解决了多项式图滤波器学习中的过拟合问题，并在多个学习设置下，考虑各种标记比率，显著提高了同构和异构图的性能。

Jul, 2023