- 自适应最小均值 p 次幂图神经网络
提出了自适应最小均值 $p^{th}$ 功率图神经网络 (LMP-GNN)，结合了自适应滤波和图神经网络的通用框架，用于在线图信号估计。LMP-GNN 在处理噪声和缺失观测方面保持自适应滤波的优势，并具有在线更新能力。在噪声冲击下，通过 $ - 不完整时序数据的联合信号恢复与图学习
通过方法的块连续上界最小化（BSUM）算法，从以下数据中学习一个图并恢复信号：来自不完整的时间序列观测的图、未知的底层图模型及信号。这个算法在合成和真实时间序列的模拟结果中展示了图学习和信号恢复的性能。
- 图形学习中的信号滤波的扩散映射
本文通过比较扩散图信号模型与其他常用图信号算子，以及应用扩散图作为图移位算子来理解图信号的底层几何结构，从合成数据和真实世界的温度传感器数据出发，评估使用扩散图生成的滤波器对马尔可夫变异极小化问题中图学习的改进效果，为分析和理解复杂的非欧几 - 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。
- 基于子图的紧支持图框架与消失矩
我们提出了一种新颖且通用的方法，基于一系列分层分割在具有紧凑支持的图上构建紧框架。通过从我们的抽象构造开始，我们能够灵活地将子图拉普拉斯引入到图框架的设计中。因此，我们的通用方法允许调整框架的（子图）消失矩和额外属性，如方向性，以有效地表示 - 基于 l2,0 基数惩罚的不均匀图趋势过滤
本文提出了一种基于 l2，0 范数的图趋势滤波（GTF）模型，用于在图上估计分段平滑的图信号，并证明了该模型同时是信号在节点上的 k 均值聚类和图的最小割，其中聚类和割共享相同的分配矩阵。在合成和真实数据集上的实验表明，与现有方法相比，所提 - 广义隐式神经表示法
研究了在非欧几里得域中学习隐式神经表征（INRs）的问题，介绍了一种利用图的谱嵌入来近似节点位置，并在各种真实世界的非欧几里得域的信号上进行了实验。
- 超越低通滤波：自动过滤的图卷积网络
本文提出了 Automatic Graph Convolutional Networks (AutoGCN) 来捕获图信号的全部频谱，并自动更新图卷积滤波器的带宽，实验结果表明，AutoGCN 比只能作为低通滤波器的基准方法有了显著的改进。
- 非凸惩罚的矢量图趋势滤波
本研究研究了分段平滑图信号的去噪问题，使用非凸正则化器对值为向量的图信号进行了扩展，提高了恢复性能。提出了基于 ADMM 的算法来解决问题和证明了其收敛性。
- 通过图滤波反卷积增强几何深度学习
本文介绍了如何将图滤波解卷积步骤纳入经典的几何卷积神经网络流程中，通过罕见的群稀疏恢复问题实现作用于通过稀疏解卷积过程后的图信号，提高分类性能，并通过数值实验表明了在合成和真实世界设置中解卷积步骤的有效性。
- 基于多核克里格卡尔曼滤波的图空时函数推断
本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。
- 从频谱模板推断网络拓扑
本文提出了一种利用凸优化和图信号静态特性来从难以观测的图信号中恢复网络结构的图移位算法，数值实验验证了该方法在社交、大脑和氨基酸网络中的有效性。
- 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。
- 图信号的全局与局部不确定性原理
通常的不确定性原理在时 - 频集中方面提供了信号的限制，并构成了设计和评估线性信号变换的重要理论工具；我们试图将此方法推广为图形领域，提出了局部不确定性原理，并展示了如何通过这些措施来改善图信号的随机抽样。
- 图信号的自适应最小均方估计
本文提出了一种最小平方算法 least mean squares (LMS)，用于自适应估计图形信号，并通过数值模拟验证了该方法的性能。同时，该文还提出了一种在不知道带宽的情况下进行谱稀疏在线估计的方法，以便在线调整图形采样策略，并将该方法 - 图上的静态信号处理
本文提出了一种新颖的局部平稳性概念，并且建立了图信号的功率谱密度模型，实现了多项用途包括杂讯抑制和回归。
- 利用图谱代理选择带限图信号的高效采样集
本文研究了在图上进行带限重建的最佳抽样集的选择问题，通过引入称为图谱代理的数量来近似图信号的频谱内容，提出了一种不需要计算和存储基元素的直接抽样集选择方法，并证明了该方法在嘈杂数据或原始信号仅近似带限时提供稳定的重建能力，该方法适用于各种图 - 图上的信号：不确定性原理与采样
本研究提出了一类集中在图形域和图形对偶上的图形信号，并基于此提出了图形信号的不确定性原理，探讨了从样本子集中恢复带限信号的条件和提出了替代信号恢复算法，包括基于帧的重构方法，同时提出了几种替代采样策略和相关的条件和反演方法，最后展示了完美恢 - 使用种子节点从渗流中重构图信号
本文提出了一些新的方案来恢复定义在图的节点上的信号，研究了使用图滤波器将稀疏的信号渗透到整个图中以实现已知图信号的重构问题，并探讨了在噪声环境下的不完善重构情况。
- 使用连续本地聚合对图信号进行采样
本文介绍了一种用于图信号采样的新方案，旨在更高效地实现信号稀疏表示和重建，基于图驻点合成算子和 VandeMonde 矩阵结构，可以针对有向环和非环图的信道进行采样和插值，同时进行了实验验证。