本研究提出了JTreeformer框架，旨在解决现有图变换器在分子图拓扑结构利用上的不足。该框架结合了图卷积网络和多头注意力机制，并引入了潜在空间中的扩散模型，显著提升了分子生成的效率和效果，为药物发现提供了新工具。

本研究提出了一种混合架构，将图卷积网络与大型语言模型生成的嵌入结合，解决了传统虚拟筛选中的信息损失和偏见问题。实验结果表明，该模型的F1分数达到88.8%，显著优于现有基准，具有良好的应用前景。

本研究提出了一种结合图注意网络（GAT）和图卷积网络（GCN）的混合模型，以提高叶片病害分类的准确性。该模型在苹果、土豆和甘蔗叶病分类中达到了0.9822的准确率，显示了其在可持续农业中的应用潜力。

本研究提出了一种多头自适应图卷积网络，用于低光照环境下的稀疏点云人类活动识别。该方法通过动态调整卷积核，提高了识别的准确性和效率，实验结果在基准数据集上表现优异，具有实用价值。

本研究提出了一种利用分子指纹简化药物-药物相互作用预测的方法，解决了深度学习模型的高计算成本和通用性差的问题。通过摩根指纹和图卷积网络的结合，取得了竞争力的表现，并揭示了关键的分子特征和结构模式，强调了改进数据集的必要性。

该研究提出了一种新型攻击方法SCLBA，针对图卷积网络（GCNs）的标签和语义后门攻击。通过重要性分析选择节点作为触发器，成功创建有毒样本，攻击成功率接近99%。

本研究聚焦于最小顶点覆盖问题，指出现有算法在大规模图中的局限性。提出的新算法GCNIVC结合图卷积网络，显著提高了搜索效率，实验结果表明其在准确性和效率上优于现有算法。

本研究提出了一种基于深度强化学习的框架，解决多无人机在无GNSS环境中的自主导航和任务分配问题。通过图卷积网络实现动态协调，显著提高搜索与救援效率，获得2024年Sapience比赛第一名。

本研究提出了一种多视角注意力语法增强图卷积网络（MASGCN），用于基于方面的情感分析。该方法通过构建距离掩码矩阵和多视角注意力机制，有效融合不同语法信息，显著提升模型性能，实验结果在四个基准数据集上超越了现有技术。

该研究提出了一种基于马尔可夫过程的图卷积网络架构，旨在解决知识图谱中实体类属信息不完整的问题。该方法通过训练学习计算步骤，显著提高了实体分类的效率和准确性。

本研究提出了一种基于共享注意力自编码器和层次融合图卷积网络的方法，用于识别sEEG发作起始区（SOZ）。该方法有效整合动态与静态特征，提升癫痫特征学习能力，实验结果显示其在SOZ识别中表现优异。

本研究提出了一种新的图学习视角（AGLP），解决了现有半监督领域适应方法忽视数据结构信息的问题。AGLP通过图卷积网络在实例图上学习，有效降低领域间差异，实验结果表明其优于现有方法。

本研究提出了一种新框架，结合自编码器和图卷积网络，预测超音速机翼的不稳定压力分布。该框架通过时间层对未来压力进行预测，显著提高了预测准确性，并在超临界机翼测试中验证了其有效性。

本研究提出NavAgent模型，旨在解决户外城市场景中的视觉与语言导航挑战，通过图卷积网络整合多尺度环境信息，提升无人机导航能力。

本文提出了一种新颖的无参考点云质量评估方法，旨在解决三维点云在多媒体通信中的质量退化和信息损失问题。通过图卷积网络建模多视角投影图像的相互依赖关系，实验结果表明该方法在公开基准数据库上优于现有指标。

本研究提出了一种基于图的多模态常识知识蒸馏框架，旨在解决视觉问答中的常识知识挑战。该框架通过图卷积网络整合常识知识、视觉对象和问题，在ScienceQA数据集上取得了优异的表现。

本研究提出ELU-GCN框架，旨在解决传统图卷积网络在标签信息利用上的不足，通过学习新图结构和图对比学习，显著提升GCNs的泛化能力。

本研究提出了一种新模型GraphVL，结合图卷积网络与CLIP文本编码器，旨在解决广义类别发现中的特征转移问题，提升对未知类别的分类能力，并在七个数据集上取得了优异表现。

本文介绍了一种新型组推荐系统CAGR，结合双向图嵌入模型、自我注意机制和图卷积网络，优化临时群组的决策过程，并通过实验验证其优越性。

本文介绍了一种新型图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法结合多种测量值和系统拓扑，在IEEE 123母线系统上验证了其有效性。结果显示，该模型在故障定位精度上优于其他方法，并对噪声和数据丢失具有鲁棒性。数据增强提高了模型的适应性，能应对拓扑变化。