- 基于图神经网络的网络数字孪生模型的 5G 网络故障分类
提出了一种将图傅里叶变换与消息传递神经网络相结合的方法来准确分类第五代核心网络中的故障类型，并在网络数字孪生中展示其潜力。
- 基于时域谱图神经网络的方面情感分析
本研究提出了一种基于图傅立叶变换的网络，该网络在谱域中创建和学习了底层图，然后使用傅立叶变换切换到频率（谱）域，进而创建新特征。该方法在情感分析中表现出极高的准确性，特别是在 SemEval-2014 数据集中，取得了最佳结果。
- 具有 EigenPooling 的图卷积网络
本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。
- 使用图笛卡尔积的组合贝叶斯优化
本文针对于组合搜索空间的优化问题，提出了一种基于高斯过程的贝叶斯优化算法，通过组合图的方法量化并且模拟变量之间的高阶交互，不仅能在可行性问题和神经架构搜索等方面取得比最先进的创新解决方案更好的结果，而且具有较好的计算效率和统计效率。
- 通过学习对齐的图基进行图领域自适应
本文提出了一种基于图傅里叶变换的领域自适应方法，通过学习源图上标签函数的频谱，并将频谱信息转移到目标图上，重建目标图上未知的标签函数，实现分类问题中的半监督学习与域自适应，实验结果表明该方法在图像，在线产品评论和社交网络数据集上的分类效果优 - 基于不规则性的图傅里叶变换
本文提出了一种新颖的图傅里叶变换 (GFT) 的推广，它基于分别考虑信号能量和信号变化的定义，从而导致几种可能的正交 GFT。我们的方法包括传统的 GFT 定义作为特殊情况，同时也导致新的 GFT 设计，更好地考虑了图的不规则性。具体而言， - 图滤波器和滤波器组的设计
本文回顾了图信号处理的一般概念，包括引入谱域、定义谱变换、引入图滤波、多尺度变换和滤波器组等内容。
- 基于频谱投影器的图傅里叶变换
本文研究了图傅里叶变换，其特征分解通过 $A$ 的乔然子空间进行，多用于大型稀疏图的缺陷邻接矩阵，通过谱投影器表达 GFT，并以真实的城市交通数据集为例进行了说明。
- ICML基于卷积的矩阵网络填充
该研究提出了一种针对部分观察到的矩阵网络的结构假设和优化问题解法，并在医学影像和社交网络等多个领域中得到了证明。
- 基于核方法的图信号重构
本文研究基于图信号的信号处理问题，提出了一种基于核回归的模型方法，能够有效地处理图信号的重构和估计问题，并通过多核方法的应用，解决了参数选择和滤波器自动选择的难题。
- 基于图的离散信号处理：采样理论
本文提出了适用于有向图和无向图信号的抽样定理，可以实现在保证完美恢复的前提下降低样本量，且可以将采样后的信号系数形成新的图信号，该理论还被应用于半监督分类，以较少的标记样本就达到了与之前工作相似甚至更好的性能。
- 基于顶点频率的图分析
本文研究如何在图形信号处理领域中利用字典设计和变换方法来识别和利用加权图中信号的结构。通过定义广义卷积、平移和调制运算符等，我们实现了窗口傅里叶分析的图形处理方法，在任何未指定方向、连接、加权的图上对信号进行分析。