- 基于多尺度图卷积滤波的少样本故障诊断方法研究
本文针对工业设备故障诊断中的数据稀缺、复杂操作条件和各种故障类型等挑战，介绍了一种使用多尺度图卷积滤波（MSGCF）的故障诊断方法。该方法通过整合局部和全局信息融合模块，在图卷积滤波块内增强传统图神经网络（GNN）框架，有效地解决了过多层图 - 基于多面体抽象解释的节点扰动图卷积网络鲁棒性认证
改进了基于图的多层感知器的鲁棒性认证技术，通过多面体抽象解释方法在节点特征扰动的情况下提供 GCN 鲁棒性的上下界，并在训练过程中进一步提高 GCN 的鲁棒性。
- GCN-DevLSTM: 基于骨骼的动作识别中的路径发展
提出了一个结合轨迹发展的 DevLSTM 模块，用于捕捉视频动作序列的时间动态，有效提取高维流数据中的事件顺序并显著提升 LSTM 模块性能，在 Skeleton-based action recognition (SAR) 领域取得了显著 - 提升图卷积神经网络的关注力
提出了一种名为图知识增强和蒸馏模块的插件，通过多头注意机制提取和聚合图信息以增强节点表示，并能通过特殊设计的注意力蒸馏方法将大型教师模型的知识蒸馏到高性能和紧凑的学生模型中，并通过注意力蒸馏有效地从大型教师网络转移蒸馏知识到小型学生网络。
- 公平抽样：高效训练公平准确的图卷积神经网络
本文主要研究了图卷积神经网络（GCNs）中的公平性问题，以及如何训练公平且准确的 GCNs。研究着重分析了图结构偏差、节点属性偏差和模型参数对 GCNs 中的人口平等性的影响，提出了一个名为 FairSample 的框架来共同解决这些偏差， - 图卷积神经网络的稳定性：小扰动分析视角
本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题，通过导出了一个新的界限，明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异，该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。在此基础上，我们定量地描述了特定边的 - 基于图卷积网络实现稳健的心脏分割
使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。
- QDC：图上的量子扩散卷积核
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 - 基于 GNN 的图分类和链路预测综述
本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。
- 图卷积神经网络变体的比较评估中，重新审视随机森林用于交通预测
本研究比较了图卷积神经网络与随机森林等传统方法在交通预测中的表现，发现采用矩阵分解、注意力机制和位置特定的模型权重等技术可以提高图卷积神经网络的预测精度，但随机森林可以匹敌或超越图卷积神经网络的表现，因此目前的图卷积方法可能不是最佳的交通预 - 基于骨架的动作识别中图卷积神经网络健壮性的傅里叶分析
本研究利用傅里叶分析探索了基于骨架的动作识别中图卷积神经网络的强健性和易损性，发现对抗训练是提高防御对抗攻击和常见损坏的实用方法，同时，它不能解释骨骼部分不完整性的易损性，这限制了傅里叶方法的应用。
- 基于流形学习的图卷积网络用于半监督图像分类
本文提出一种基于图卷积神经网络的半监督图像分类方法，采用不同类型的流形学习策略，通过无监督学习的方式实现了对于有限标注数据的图像分类任务，实验结果表明该方法优于传统和现有技术，并且运行时间高效。
- 通过图卷积注意力循环神经网络发现有效的影响者
本文提出 InfluencerRank，使用图卷积神经网络和注意力机制的循环神经网络来排名社交媒体上的影响者，实验结果显示其优于现有的基准方法，可以作为发现高效影响者的有效工具。
- 无线通信网络知识图谱表示学习
本文利用 5G/B5G 测试网络采集数据，构建了一个基于知识图谱和图卷积神经网络的自动节点分类和网络异常原因追踪模型，该模型应用于公共数据集上的无监督学习中取得了比现有模型更好的分类精度。
- 图卷积神经网络学习什么？
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
- ICML基于超图和无向图的等效性的超图卷积网络
提出了 GHSC 框架，它不仅处理具有边独立顶点权重（EIVWs）的超图，还处理具有边相关顶点权重（EDVWs）的超图，并能够利用现有的 GCNN，从而大大简化了超图神经网络的设计。
- GROW: 一种行驻型稀疏 - 密集 GEMM 加速器，用于内存高效图卷积神经网络
本文介绍了一种名为 GROW 的 GCN 加速器，该加速器基于 Gustavson 算法，对基于行的稀疏矩阵 - 密集矩阵乘法进行了优化，通过软硬件协同设计，在局部性和并行性之间取得平衡，显著提高了能效。
- 混合整数线性规划中的自适应削减选择
本文研究了一种基于参数调整的混合整数线性规划问题的解法。通过设计一种基于图卷积神经网络和强化学习的自适应割集选择算法，我们证明此算法在实验中取得了优秀性能。
- MM基于图的算法展开：用于无线网络中的能量感知功率分配
我们开发了一种新颖的基于图的可训练框架，用于最大化无线通信网络中的功率分配的加权和能效（WSEE）；为解决问题的非凸性，我们提出了模块化结构并提供了基于图卷积神经网络（GCNs）的可学习组件，通过梯度下降法进行模型训练，它已经证明可以推广到 - FedNI: 带网络修复的联邦图学习用于基于人群的疾病预测
本文提出了 FedNI 框架，利用图生成对抗网络进行网络修复和机构间数据的联合学习，以提高疾病预测的准确性，并在两个公共神经影像数据集上取得了显著的比基线和本地 FL 方法更好的成果。