该研究提出了基于深度图形转换的解决方案，使用新的图卷积和解卷积层来学习传输映射，并引入一种新的条件图鉴别器，以训练生成对抗网络来实现异常图形模式的预测，实验表明该方法具有很好的效果和可扩展性。

May, 2018

介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

Jun, 2018

提出一个新的混合模型，该模型将图推断与学习逆模型相结合，用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量，实验表明，该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。

Jun, 2019

通过研究一种合成任务中的自回归 Transformer 模型，我们揭示了逐步推理的机制，并发现了在该任务中观察到的几个现象：（i）逐步推理推理间隔；（ii）模型生成中多样性与准确性之间的权衡；（iii）模型输出的简洁偏见；以及（iv）上下文示例中的组合概括和原位偏见。这项工作引入了一个基于合成框架的研究逐步推理，并提供了可奠定对该现象更深入理解基础的机制性假设。

Feb, 2024

通过使用特征状态转换图，我们引入了一种新的方法来解决当前自动特征工程框架中存在的限制，并通过全面的实验证明了其在不同场景下具有优越的性能。

Jun, 2024

本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Mar, 2018

我们提出了一种基于知识图谱的树状规则方法，可以扩展规则的应用范围和提高基于规则的方法的推理能力，并通过在四个公共数据集上的实验证明，相比链状规则，在链状规则归纳方法的基础上改进的树状规则在关联预测上表现更好。

Mar, 2024

本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了 ' 图翻译器 '，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

Feb, 2022

基于进程追踪的过程发现中，我们提出了一种基于语法推理的新方法来发现准确描述输入追踪的小图模型，通过设计和评估一种遗传算法，支持推理参数收敛至发现有趣模型的区域。实验证实我们的新方法可以构建更小的模型，准确地表示输入追踪及其频率，并首次将行动图解释为描述行动迹线的随机语言模型。

Dec, 2023

本文提出了一种新的因式化深度生成模型框架，旨在实现可解释的动态图形生成，并提出了各种生成模型，以表征节点、边、静态和动态因子之间的条件独立性，并基于新设计的因子化变分自编码器和循环图解卷积提出了变分优化策略和动态图解码器。多个数据集上的广泛实验验证了所提出模型的有效性。

Oct, 2020