- CVPRFastMAC：对应图的随机频谱采样
介绍了将图信号处理引入对应图领域的研究，提出了一种基于随机谱采样的对应图的完整 3D 注册算法 FastMAC，实验证明其在室内和室外基准测试中均具有高注册成功率且实时性能好。
- 多尺度光学神经科学的深浅数据科学
光学成像技术在过去二十年取得了巨大发展，通过新的光学器件、指示剂和实验模式，我们现在能够进行从突触到大脑皮层的体内成像。为了应对不同尺度下产生的大量数据，我们不断开发计算方法以提取与生物相关的信息。本文旨在讨论算法设计中的限制和权衡，以确定 - 协同过滤的频率感知图信号处理
我们提出了一种频率感知的图信号处理方法（FaGSP），用于协同过滤，它通过设计级联滤波模块和并行滤波模块，结合线性模型，更准确地建模用户偏好，并在预测准确性和训练效率方面展示了优越性。
- 学习带有拉普拉斯约束的笛卡尔积图
学习 Cartesian 乘积图的问题，统计一致性的 MLE，联合图学习和插补方法
- 基于图学习视角优化 $k$NN 图中的 $k$ 值
基于图信号处理的方法，优化了 $k$- 最近邻图 ($k$NNGs) 中 $k$ 的选择问题，通过离散优化问题求解最佳 $k$ 值，从而实现了点云去噪。
- GSP-KalmanNet: 通过神经辅助的卡尔曼滤波跟踪图信号
该研究在动态图信号系统中利用 GSP-KalmanNet，通过结合图信号处理和深度学习技术共同追踪隐藏的图状态，来实现提高准确性、运行时间性能和鲁棒性的目标。
- 基于核的多图学习与图信号聚类
在图信号处理（GSP）的背景下，图学习（GL）关注的是从节点观测（即图信号）中推断出图的拓扑结构。然而，数据通常是混合形式，涉及不同的底层结构。这种异质性需要对多个图进行联合聚类和学习。在许多现实应用中，节点侧协变量（即核函数）是可用的，并 - 公平感知的最优图滤波器设计
从图信号处理的角度，我们借鉴了先设计好的图滤波在机器学习管道中，以降低敏感属性与潜在图连接性之间的相关性，从而解决图机器学习中的偏见问题。通过最优的图滤波设计，我们在公平性和实用性方面取得了较好的平衡。
- 指数族噪声下的图拉普拉斯学习
该研究提出了一种基于图信号处理 (GSP) 框架的图学习方法，可以从平滑图信号到指数族噪声分布的各种数据类型对其进行建模，并通过交替算法估计图拉普拉斯和未观测到的平滑表示来处理图机器学习中的常见挑战，其性能优于其他方法。
- 基于谱特征的图分类高斯过程
本文提出根据图的结构和节点属性对其进行分类的方法，使用图信号处理中的频谱特征派生两种高斯过程模型进行图分类 —— 第一种，基于图谱频谱能量信号分布的频谱特征；第二种，旨在捕捉图中多尺度和局部的模式，通过学习谱图小波滤波器来获得更好的性能。最 - LogSpecT：基于静止信号的可行图学习模型及恢复保证
设计了一种新模型（LogSpecT）来代替 rSpecT，通过现代优化工具的阐述，提供了 rLogSpecT 的恢复保证，证明了 rLogSpecT 的优势和稳定性，并将其推广到各种图学习应用上。
- 图神经网络中节点分类的分布式信号
本论文介绍了一种将分布式图信号运用于图神经网络中、以提高 GNN 在半监督节点分类中性能的正则化方法。通过数值实验发现，该方法能够显著改善不同问题设置下大多数基本 GNN 模型的性能。
- 图信号的最优恢复
从优化恢复的角度考虑了图信号处理中部分观测数据的平滑处理问题，并提出了一种计算最优或接近最优正则化参数的方法，在半合成图信号处理数据集的数值实验中取得了良好效果。
- 从谱模板中学习产品图
我们提出了一种学习基于乘积谱模板的高维图来替代直接从高维度图信号学习的方法，以减少计算负担。 与当前方法相比，我们的方法可以学习所有类型的乘积图，具有更少的参数，并在实验上得到了证明。
- 通过重建时变图信号恢复丢失的传感器数据
本文基于图信号处理理论，针对无线传感器网络中缺失数据问题，提出一种新的 Sobolev 重建算法，并在公开数据集上实验测试，表现优于现有技术
- 图卷积在推荐系统中的效果如何？
本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提 - Ego-GNNs：利用 Ego 结构在图神经网络中
本研究提出了新的 Ego-GNN 方法，通过增加在每个节点周围子图中定义的信息来扩展 GNN 的消息传递操作，并证明了 Ego-GNN 比标准消息传递 GNN 更强大，能够识别封闭三角形，从而在绝大多数现实世界的图中更有效地进行节点分类。
- 基于有限知识的图嵌入模型对抗攻击框架
本文提出了一种黑盒驱动下的广义对抗攻击器 GF-Attack，它可以直接攻击图滤波器，而不需要访问标签或模型预测。作者通过将图嵌入模型形式化为具有相应图滤波器的一般图信号过程来探究图信号处理与图嵌入模型之间的理论联系，并证明 GF-Atta - 图学习：综述
本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。
- MM基于图信号处理的几何数据及其应用：理论与应用
该论文综述了基于图形信号处理的几何数据的广泛应用，以及该领域内新兴的图神经网络，并讨论了其在处理几何数据中的作用与挑战。