- 填补设计间隙：基于图引导扩散模型的参数化数据补全方法
该研究介绍了一种利用图注意力网络和表格扩散模型进行生成补全的生成补全模型，用于完善工程设计中的缺失参数数据。
- ICMLGATE: 如何阻止侵入的邻居
GATE 是一种 GAT 的扩展，通过解决不必要的邻居聚合的根本原因，减轻了过平滑问题，并通过减小与不相关邻居的连接权重，在真实世界的异质数据集上常常优于 GAT。
- GeoContrastNet：用于语言无关文档理解的对比键 - 值边缘学习
GeoContrastNet 是一个语言不可知的框架，通过将对比学习目标与图注意力网络（GATs）相结合，强调几何特征的重要作用，实现了结构化文档理解（DU）。我们提出了一种新的方法，将几何边缘特征与视觉特征结合在一个整体的基于 GAT 的 - MM用于逼近论证可接受性的图卷积网络和图注意力网络 -- 技术报告
通过改进 Graph Convolutional Networks 的性能以及使用 Graph Attention Networks，提高抽象论证的计算效率。
- 蛋白质相互作用的图神经网络 —— 简要调查
蛋白质相互作用（PPI）在广泛的生物过程中起着关键作用。本文回顾了各种基于图的方法，并讨论了它们在 PPI 预测中的应用。我们将这些方法分为两个主要组，一类采用图神经网络（GNN）或图卷积网络（GCN），而第二类则利用图注意力网络（GAT） - MPXGAT：一种基于注意力机制的深度学习模型，用于多重网络嵌入
MPXGAT 是一种基于注意力机制的深度学习模型，专门用于多重图嵌入，通过利用图注意力网络（GATs）的鲁棒性，它捕捉多重网络的结构，从而促进了网络多个层内和层间的准确链路预测。我们在各种基准数据集上进行的全面实验评估证实，MPXGAT 始 - 利用神经辐射场在关键点场景坐标回归中的描述符合成
通过使用神经辐射场（NeRF）合成关键点描述符的流程，提出了一种针对数据稀缺环境的解决方案，以增强关键点场景坐标回归（KSCR）模型的泛化能力，从而显著提高定位准确性
- HemaGraph：基于图注意力的血液学单细胞分类破解难题
基于图注意力网络（GATs）的 'HemaGraph' 框架用于从流式细胞术数据中进行单个细胞多类分类，利用 GATs 的能力捕捉细微的细胞关系，获得高度准确的患者分析结果。该方法在 30 名患者数据的评估中表现出优异的性能，在五个不同的细 - 关注图表是我们所需要的一切：用 LeukoGraph 开创血液细胞群体的层次分类
LeukoGraph 是一个使用图注意力网络（GATs）导航层次分类复杂性的框架，通过使用流式细胞仪数据导出的具有数百万个节点和边的图进行层次推理，达到了 98% 的 F 分数，具有很高的精度预测平坦和分层细胞类型。
- CAT: 一种用于修剪异质图的因果图注意力网络
提出了一种基于局部注意力引导的消息传递机制的因果图注意力网络（CAT）来减弱异质图的分心效应，并在三个不同规模的异质数据集上通过实验证明了 CAT 的有效性。
- 基于图注意力的多级重组规划的结构概念学习
通过结构概念学习（SCL）和图注意力网络，提出了一种多层次的物体重新排列规划方法，用于复杂和任意环境中的机器人操作任务，并通过对场景的理解实现更好的性能、灵活性和效率。
- 利用图注意网络学习运动结构
该论文通过使用图注意力网络解决学习结构运动（Structure-from-Motion）的问题，通过学习模型以 2D 关键点为输入，输出对应的相机姿态和 3D 关键点坐标，实现了快速推理和重建，超过了竞争的基于学习的方法并在较短的时间内挑战 - ICCV全球地图：任意形状城市布局生成
利用图注意力网络的自动建筑布局生成方法，支持任意道路网络，生成逼真的城市布局，并基于学习先验条件生成，相较先前的布局生成网络表现出卓越性能，为 28 个大城市生成不同建筑形状的布局。
- 像素级图注意力网络的人物再识别
探索图注意力网络在图像特征提取中的应用，通过图生成算法将图像转换成图，并利用图注意力网络更新节点特征，设计了基于像素的图注意力网络应用于人员再识别任务，在多个数据集上都取得了优于现有方法的性能。
- 使用同构性在图神经网络中进行监督关注
本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。
- 城市区域嵌入的区域关注多视角表示学习
通过多视图表示学习，我们提出了一种区域化多视图表示学习（ROMER）方法，用于捕捉多视图依赖关系并学习表达性强的城市区域表示。我们的模型关注于从多源城市数据中学习城市区域表示，通过捕捉流动模式、兴趣点语义和签到动态等多视图相关性，采用全局图 - 增强属性聚类的图形转换：一种创新的图形转换器方法
本研究引入一种新的方法，将图自编码器与图变压器相结合，称为 GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。
- 图注意力网络中可学习参数的梯度推导
本文提供了 Graph Attention Networks 中 GATv2 的参数梯度全面推导，获取了可训练模型参数的梯度用于训练动态的统计学习模型，从而帮助解决 GATv2 不同数据集表现不一之问题。
- 使用对比学习技术在大邻域内搜索整数线性规划问题
本文介绍了一种新的算法 CL-LNS，通过使用正负样本集合学习一个次优解算法并使用图注意力网络和更丰富的特征进一步提高解决 LP 问题的性能。
- 自适应深度图注意力网络
本文通过系统性实验评估关注网络的层数与性能之间的关系，发现残差连接可以解决 Oversquashing 现象，提高 GAT 模型的性能。因此，我们提出了 ADGAT 变体模型，可根据图的稀疏性自适应选择层数，从而显着提高了模型的性能。