本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023

本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

Jul, 2020

设计了一种图神经网络 (GNN) 来提高多个合法无线用户向基站传输数据时的带宽分配，在存在窃听者的情况下提高隐私性并防止窃听攻击，通过用户调度算法来满足瞬时最小保密率约束，并基于此优化了带宽分配，通过迭代搜索 (IvS)、基于 GNN 的监督学习 (GNN-SL) 和基于 GNN 的无监督学习 (GNN-USL) 三种算法。计算复杂度分析表明 GNN-SL 和 GNN-USL 相对于受带宽块大小限制的 IvS 来说更高效。数值模拟结果表明，我们提出的基于 GNN 的资源分配与 IvS 相比可以实现可比较的总保密率，同时计算复杂度显著降低。此外，我们观察到 GNN 方法在窃听者信道状态信息不确定性方面更为稳健，特别是与最佳信道分配方案相比。

Dec, 2023

本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

Dec, 2020

本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

Sep, 2023

该研究提出了基于自监督任务的图神经网络（GNN）的迁移学习新范式，其能够有效地将自监督任务作为辅助任务在微调阶段与目标任务结合起来，通过元学习来学习辅助任务的权重，对于多任务学习，预训练和微调均表现出色。

Jul, 2021

本文提出了一种新颖的多任务学习方法，其中借助了多任务神经网络的参数共享，通过学习精细的参数共享模式来提高模型性能，该模式通过二进制变量实现，与模型参数共同反向传播学习，并在 Omniglot 基准测试中实现了 17％相对误差减小。

Oct, 2019

多老师多目标元学习网络 (M3BS) 是一种新颖的用于零样本高光谱波段选择的方法，通过构建通用的图卷积网络 (GCN) 生成数据集无关的基础，从多个波段选择任务中提取兼容的元知识，通过多目标元学习实现与多老师波段选择任务的联合优化，无需重新训练或微调即可直接转移给未知数据集。该方法在零样本高光谱波段选择中与当前最先进的基准方法表现出有效性和效率。

Jun, 2024

本文研究多用户多输入单输出下行系统中，信号 - 干扰 - 噪声比平衡问题的快速自适应波束成形优化，提出两种基于深度迁移学习和元学习的离线自适应算法以及一种在线算法，以增强算法在真实可变环境中的适应能力，并证明这种方法优于前期研究中的直接深度学习算法。

Nov, 2020

该论文提出了一种双分图神经网络框架，用于多天线波束成形优化，可实现可扩展性，通过联合训练可以普遍适用于任意 MU-MISO 系统，并验证了其在传统方法上的优越性。

Jul, 2022