物联网和下一代网络领域，图神经网络的应用和进展作出了重要贡献，并提供了全面的调研，包括数据融合、入侵检测、频谱感知等方面，同时对网络和战术系统的利用进行了详细描述，为研究者提供了一个全面资源。

May, 2024

本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

Mar, 2020

基于深度学习的轻量级几何构造神经网络 LightGCNet 通过空间几何分析证明了其具有通用逼近性质，并通过节点池策略和空间几何关系优化隐藏参数的分配过程，提高了解释性和处理优化能力。在基准数据集和矿石磨粉过程中的模拟结果表明，LightGCNet 在网络规模小、学习速度快和泛化能力强方面具有显著优点。

Dec, 2023

提出了 MultiIoT，这是迄今为止最广泛的物联网基准，涵盖了来自 12 种方式和 8 项任务的超过 115 万个样本，引入了在学习许多感知模式、跨长时间范围内进行细粒度交互以及由于现实世界传感器的唯一结构和噪声拓扑而导致的极端异质性等方面的独特挑战，同时发布了一组强大的建模基线，从方式和任务特定方法到多感官和多任务模型，以鼓励未来在物联网的多感官表征学习方面的研究。

Nov, 2023

该研究提出了一种基于神经网络的时间序列建模方法，通过信息编码向量实现在进行零样本迁移学习时对多元时间序列的鲁棒推断，解决了传统固定维度的局限性。

Jul, 2020

本文针对物联网中基于物理层安全的密码学方法，提出了一种名为 GLS 的新概念，并介绍了一种利用分布式深度强化学习辅助的联邦式多智能体分布式密钥生成方案 (FD2K)，实现了密钥协议率和密钥随机性方面的可观安全性能。

Feb, 2023

本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

Feb, 2018

机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

Feb, 2024

提出了一种新颖的深度学习模型，结合了卷积神经网络和双向门控循环单元，以端到端的方式学习本地和全局特征，并验证了在异构物联网传感器数据上优于最新的分类方法和多个机器学习和深度学习基线的有效性。

Mar, 2024

本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 ITS 所面临的挑战，并提出了潜在的未来研究方向。

Jan, 2024