提出了自适应最小均值 $p^{th}$ 功率图神经网络 (LMP-GNN)，结合了自适应滤波和图神经网络的通用框架，用于在线图信号估计。LMP-GNN 在处理噪声和缺失观测方面保持自适应滤波的优势，并具有在线更新能力。在噪声冲击下，通过 $l_p$ 范数优化的自适应更新方案，LMP-GNN 实现了时间变化图信号的鲁棒估计结果。两个真实世界数据集（温度图和交通图）上的实验证明了提出的 LMP-GNN 方法的有效性和稳健性。

May, 2024

本文提出了一种最小平方算法 least mean squares (LMS)，用于自适应估计图形信号，并通过数值模拟验证了该方法的性能。同时，该文还提出了一种在不知道带宽的情况下进行谱稀疏在线估计的方法，以便在线调整图形采样策略，并将该方法应用于构建认知网络环境下操作区域的功率空间密度制图。

Feb, 2016

我们提出了一种线图归一化最小均方（LGNLMS）算法，用于在线时间变化图边缘信号预测。LGNLMS 利用线图将图边缘信号转换为其边缘到节点的对偶。这使得边缘信号能够使用已建立的图形信号处理概念进行处理，无需在图边缘上重新定义它们。

Nov, 2023

本研究考虑了从流数据中自适应和分布式地估算图滤波器的问题，将其建模为图上的共识估算问题，并引入一种预处理的图扩散 LMS 算法以提高算法的收敛速度，并提出了一种更为通用的解决方案，采用无监督的聚类方法来进行全局估计问题的分解。

Dec, 2019

本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

Oct, 2020

本文提出一种新的神经网络估计算法 NN-GLS，利用广义最小二乘（GLS）明确地考虑了空间协方差，从而实现非线性均值，并使用克里金法对新位置进行预测。 作者证明了 NN-GLS 对于不规则的空间相关数据过程是一致的，同时将该算法演示在模拟和实际数据集中。

Apr, 2023

本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在 GNNs 中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的 GNNs 以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用 GNNs 的相关研究。

Mar, 2020

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

Mar, 2024