本文探讨了自注意力机制在图信号处理中的局限性，提出了一种新方法——注意力图滤波器（AGF），通过奇异值域建模，提高了频率信息的利用效率。实验结果表明，AGF在多个任务中表现优异。

本文探讨了图信号处理与图嵌入模型的关系，提出了GF-Attack攻击器，能够有效攻击图滤波器。同时，研究了图神经网络的鲁棒性，提出了基于贪心算法的节点选择和无监督流水线STABLE等优化方法，以增强模型的抗攻击能力。实验结果表明，这些方法在多个基准数据集上表现优越。

本文介绍了连续图神经网络（CGNN）在节点分类任务中的有效性，强调其抗过度平滑特性。研究探讨了图信号处理、时间依赖性学习及多级图神经网络框架的应用，展示了在物理系统模拟和偏微分方程求解中的优势。CGNN在捕捉节点间长程依赖方面表现优异，并在多个图学习数据集上取得了最新性能。

本文介绍了多种图像和点云修复方法，包括基于图信号处理的快速点云修复、深度神经网络的图像修复和自监督学习的点云补全。这些方法在修复质量上优于传统技术，展示了处理复杂图像和点云数据的有效性和创新性。

本文介绍了多种基于图信号处理的算法，包括快速谱聚类、三维点云配准和图对齐方法。这些算法利用图滤波和谱分解技术，提高了在大规模数据集和高噪声环境中的计算效率和准确性。

该文介绍了一种基于深度神经网络的情感分类方法，通过时空编码和循环注意网络块获取生理学表示，并应用图信号处理工具进行预处理。该方法在三个数据集上表现优异，其中在 DEAP 数据集上表现最佳。

本文介绍了利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在GNNs中的作用，以及扩展了边变量和自回归移动平均图滤波器的GNNs的属性。最后，探讨了在推荐系统和学习机器人群体的分散式控制器中使用GNNs的相关研究。