基于Laplacian算子，谱图卷积神经网络是一种用于图数据的卷积网络，并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器，在图回归、图分类和节点分类等任务中表现出良好的性能。

Dec, 2020

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

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

通过对频谱图神经网络的理论和实证分析，研究发现，低频滤波器与同质程度呈正相关关系，而高频滤波器呈负相关关系，为此引入了一种基于牛顿插值的形状感知正则化技术，使多项式频谱滤波器可以与所期望的同质程度对齐。大量实验证明了NewtonNet在同质和异质数据集上显示出优越性能。

Oct, 2023

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

图神经网络 (GNNs) 在各种图结构模式下的节点分类任务中已被证明非常有效。然而，现实世界的图通常展现出复杂的同构和异构模式的混合，使用统一的全局过滤器方法则不够优化。为解决这个问题，我们引入了一种新颖的 GNN 框架 Node-MoE，使用专家混合来自适应地选择不同节点的适当过滤器。广泛的实验证明了 Node-MoE 在同构和异构图上的有效性。

Jun, 2024

本研究针对传统谱图神经网络在处理实际图数据时的不足，提出了一种新的图神经网络GrassNet，通过引入结构化状态空间模型来处理信号在不同频率下的相关性，具有更强的表达能力。实验结果表明，GrassNet在九个公开基准数据集上的表现优于现有谱图方滤波器。

Aug, 2024

本研究针对谱图卷积网络中滤波器系数学习的问题，提出了一种新颖的Arnoldi正交化算法及其统一方法G-Arnoldi-GCN，以有效地用多项式逼近给定的滤波器函数。实验表明，G-Arnoldi-GCN在多类节点分类任务中表现优于现有的最先进方法，推动了图机器学习领域的发展，尤其是在滤波器函数的显式设计与应用方面。

Sep, 2024

本研究聚焦于异质异亲图的挑战，填补了现有研究对这一领域的认识空白。提出的异质异亲谱图神经网络（H2SGNN）结合局部独立过滤和全局混合过滤的双模块方法，能够适应不同的同亲性并捕捉子图之间的交互。大量实证评估表明，H2SGNN在四个真实世界数据集上超越了现有先进方法。

Oct, 2024