本文提出了一种名为 GDC 的基于图扩散的图卷积方法，与传统的基于直接邻接节点的图卷积方法相比，它可以处理真实图中任意定义边界带来的噪点问题，并在各种图神经网络和其他基于图的算法中取得了显著的性能提升，同时不需要改变原算法的计算复杂度。

Oct, 2019

本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

Sep, 2019

本文研究了图卷积网络在对抗扰动下的鲁棒性，通过提出 GraphDefense 方法，成功提高了图卷积网络的鲁棒性，同时能够维持半监督学习的设定，具有较大的应用潜力。

Nov, 2019

该研究提出了一种名为量子扩散卷积（QDC）算子的新卷积核，该算子通过基于顶点之间的占据相关性交换的泛化扩散范例，对图进行有效地重连。此外，该研究还引入了一种多尺度变种，将 QDC 算子和传统组合型拉普拉斯算子的信息相结合。通过对谱相关性和量子动力学的研究，以及在各种数据集上的实验证明，与类似方法相比，QDC 算子在广泛使用的基准数据集上改进了预测性能。

Jul, 2023

本文提出了一种新颖的净化方法，即导向扩散模型净化（GDMP），旨在帮助保护深度神经网络分类器免受对抗攻击的影响。在各种数据集上进行的广泛实验表明，所提出的 GDMP 将由对抗攻击引起的扰动降至浅层范围，从而显着提高了分类的正确性，并提高了 5％的鲁棒性。

May, 2022

该论文提出了一种名为 Diff-PGD 的新框架，用于生成逼真的对抗样本，并通过使用扩散模型引导梯度，确保对抗样本保持靠近原始数据分布同时保持其有效性，证明使用 Diff-PGD 生成的样本具有更好的可转移性和抗净化能力。

May, 2023

采用梯度噪声卷积方法可解决分布式深度学习中大批量随机梯度下降的欠拟合和锐利极小值的问题，通过梯度噪声的卷积，该方法能够更有效地平滑锐利的极小值，提高模型的泛化性能。

Jun, 2019

研究了使用基于核的判别器训练生成式对抗网络的梯度下降 - 上升过程，通过线性化的非线性动态系统描述方法，探究了学习率、正则化和核判别器带宽对该过程的局部收敛速度的影响，提出了系统收敛、振荡和发散的阶段转换点，并通过数值模拟验证了结论。

May, 2023

该研究提出了面向图形学习设置的新型 Differential Privacy (DP) 方法框架 Graph Differential Privacy (GDP)，并介绍了 Differentially Private Decoupled Graph Convolution (DPDGC) 模型，以实现对网状结构的隐私保护和优良的预测精度，进而在七个节点分类基准数据集上展示了其优异的隐私 - 实用性权衡。

Jul, 2023

本文提出了针对图数据的攻击和防御技术，其中引入了集成梯度来解决离散特征的问题，并且发现对于攻击后的图形，它的统计特征与正常图形不同，并提出一种检查图像并找到潜在的对抗扰动的方法。经过若干数据集的测试显示本文方法的有效性。

Mar, 2019