我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

Apr, 2019

本文探讨了谱图卷积网络（GCNs）在变量图结构和大小的情况下解决图分类任务的效力，提出了一种从多关系图中学习的新型多图网络，并成功地在多个化学分类基准测试中取得了竞争性的结果。

Nov, 2018

本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

Jul, 2019

本文提出了 Automatic Graph Convolutional Networks (AutoGCN) 来捕获图信号的全部频谱，并自动更新图卷积滤波器的带宽，实验结果表明，AutoGCN 比只能作为低通滤波器的基准方法有了显著的改进。

Jul, 2021

本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

我们提出了一种基于谱图卷积的通用形式，其中多项式基的系数存储在一个三阶张量中，并通过在系数张量上执行某种系数分解操作来导出现有谱图卷积网络的卷积块。基于这个广义视角，我们开发了新颖的谱图卷积方法 CoDeSGC-CP 和 - Tucker，通过在系数张量上进行 CP 分解和 Tucker 分解。广泛的实验结果表明，所提出的卷积方法取得了有利的性能改进。

May, 2024

通过挑战经典的图形拉普拉斯算子，设计出一种可以证明在频谱域内具有鲁棒性的新卷积算子，它被纳入 GCN 体系结构中以改善其表达能力和可解释性，同时通过将原始图形扩展到一系列图形，提出了一种鲁棒的训练范式，以鼓励跨越具有一系列空间和频谱特征的图形的可转移性，这些方法在广泛的实验中得到证明，可以同时提高在良性和对抗性情况下的性能。

May, 2019

本文研究了基于图信号滤波器的谱图神经网络的表达能力，证明了无需非线性函数就可产生任意图信号，并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络，该网络能在不使用非线性函数的情况下超越所有对比算法。

May, 2022

本文研究了一种有效的图结构攻击方法，通过最大化谱距离来扰乱傅里叶域中的图谱滤波器，进而干扰图卷积网络（GCNs）的学习。实验证明了该攻击在黑盒和白盒设置中对于测试时间洪水和训练时间毒化攻击具有显著的效果。

Nov, 2021

本文介绍了一种新的基于谱域卷积架构的图像深度学习模型，其中核心成分是一类新的参数有理复合函数（Cayley 多项式），允许在图像上高效地计算频带感兴趣的谱滤波器，具有分布在空间中的丰富的谱滤波器，线性地扩展到稀疏连接的图像的输入数据的规模，并且可以处理不同构造的拉普拉斯算子等。通过应用于谱图像分类、社区检测、顶点分类和矩阵完成任务等广泛实验结果表明，我们的方法比其他谱域卷积架构具有更好的性能。

May, 2017