本研究提出了LanSAGNN框架，旨在提升图神经网络在处理图结构和文本信息时的有效性，显著增强节点关系的交互捕捉能力，实验结果表明其具有较强的鲁棒性。

本研究通过全球Cartan $KAK$分解方法扩展了K-P时间最优量子控制的解决方案，克服了现有方法的不足。将Cartan方法与量子神经网络结合，展示了基于梯度的训练能够收敛于全局时间最优解，为量子机器学习中的最优测地线估计提供了新视角。

本研究提出了一种针对新生儿扩散磁共振成像(dMRI)的旋转等变球面卷积神经网络框架，旨在解决低信噪比和运动伪影问题，能够在减少梯度方向的情况下准确预测纤维方向分布，从而提高估计准确性和临床效率。

本研究提出脉冲动态图网络（SDGN），旨在解决现有方法对静态图结构的依赖。SDGN通过脉冲神经网络动态学习时间序列事件数据中的时空依赖关系，实验结果显示其在预测准确性和计算效率上优于现有方法，但在处理密集图和某些非高斯依赖关系方面仍需改进。

本研究提出了一种新方法，将图神经网络与双向长短期记忆模型结合，以解决动态网络中的节点识别问题。该方法在不同网络中实现了90%的准确率，提高了种子集选择效率，降低了计算开销。

本文提出了一种基于图神经网络的建模方法，用于预测颗粒基制造中水泥喷涂过程的表面。该方法优化了机器人臂轨迹和打印参数，显著提升了预测精度，为自主喷涂提供了新方案。

香港大学研究团队提出的新型视觉基础模型OverLoCK，结合了人类视觉的“纵观全局-聚焦细节”机制。在多个数据集上表现优异，特别是在ImageNet-1K上达到84.2%的准确率，超越现有卷积网络和Transformer，展现出强大的动态建模能力。

本研究解决了递归神经网络在训练过程中面临的梯度计算瓶颈问题。我们提出了一种新方法，使用固定梯度反馈机制替代传统的时间反向传播（BPTT），通过状态空间模型的原则定义反馈矩阵，从而有效简化梯度传播，显著降低训练开销，同时保留网络捕捉长期依赖的能力。实验结果表明，该方法在语言建模基准上表现出竞争力的困惑度，并具有广泛的实际应用潜力。

本研究解决了在高安全性核设施中，由于感知限制而无法进行实时数据采集的问题。通过使用基于代理的模型生成合成运动轨迹，并利用深度神经网络进行下一个位置和停留时间的预测，成功区分了正常操作与应急响应期间非玩家角色（NPC）的运动。研究结果显示，该方法有效结合了合成数据和深度学习技术，有助于提高安全设施的监控和应急管理能力。

本研究旨在解决图神经网络（GNNs）在适应性攻击下的鲁棒性挑战。提出的AuditVotes框架通过结合随机平滑、增强和条件平滑两个关键组件，实现了高准确率和认证鲁棒性，显著提高了数据质量和预测一致性。实验结果表明，AuditVotes在保持高计算效率的同时，显著提升了清晰准确率和认证鲁棒性，为图神经网络在实际应用中的部署提供了实质性支持。