本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。

Nov, 2017

在图信号处理（GSP）的背景下，图学习（GL）关注的是从节点观测（即图信号）中推断出图的拓扑结构。然而，数据通常是混合形式，涉及不同的底层结构。这种异质性需要对多个图进行联合聚类和学习。在许多现实应用中，节点侧协变量（即核函数）是可用的，并且必须被纳入考虑，而这并没有在现有的图信号聚类方法中得到解决。为此，受到丰富的 K-means 框架的启发，我们提出了一种新颖的基于核函数的算法，用于在同时对信号进行分区和为每个簇学习一个图的过程中将节点侧信息纳入考虑。数值实验证明了它相比于现有技术的有效性。

Oct, 2023

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

本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法，其仅需要进行加权预测误差的局部计算，同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能，并提出了一种神经实现方法。

Feb, 2021

本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

May, 2019

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024

我们提出了一种用于在线估计时变图信号的高效神经网络架构，名为自适应最小均方图神经网络（LMS-GNN），它旨在捕捉时间变化和填补受噪声和缺失值影响的信号的空间和时间跨度相互作用，通过自适应图滤波器和图神经网络的组合实现。实验表明，与自适应图滤波器和图卷积神经网络等基于图的方法相比，我们的 LMS-GNN 实现了更准确的在线预测。

Jan, 2024

本文提出了一种基于图神经网络的深度状态空间模型，用于建模交互式动态系统，且预测分布为多峰高斯混合模型，同时提出了结构化的协方差近似方法，可以适用于具有多个智能体的系统，并在自动驾驶数据集上进行了测试并与现有技术进行了比较。

May, 2023

该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

Jun, 2023

提出了一种基于图的神经网络模型 GraphS4mer，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同的任务中测试，发现相较于其它模型，GraphS4mer 有着更优的性能表现。

Nov, 2022