本研究提出了一种基于图扩散的解决方案生成方法（GDSG），旨在优化边缘计算（MEC）网络中的问题。GDSG通过利用次优数据进行分布学习，实现了高效的最优解搜索，实验结果表明其在优化和次优训练数据集上的表现优于其他方法，具有重要的实际应用潜力。

本研究综述了面部表情识别中的图表示学习方法，探讨了图扩散、时空图和多流架构等新方法，揭示了其提升识别性能的潜力。

本文介绍了多种图神经网络（GNN）模型及其改进方法，包括基于图扩散的GDC方法、P-reg正则化变体、$^p$GNN模型和GND-Nets，旨在提升图学习任务的性能。研究表明，图扩散方程与GNN的泛化能力密切相关，提出的Advective Diffusion Transformer（ADiT）在多种任务中表现优异。

港大和腾讯的研究人员提出了一种新的多模态推荐系统范式DiffMM，利用图扩散和对比学习技术，提高了推荐准确性。DiffMM在三个公共数据集上的性能优于竞争基线模型。相关论文已公开，代码已开源。

该文综述图神经网络与图卷积的研究进展，涵盖自适应核图神经网络AKGNN（通过数据驱动图核学习提升泛化与表达）、单隐层图神经网络的可证明有效学习算法及收敛分析、处理噪声边的图扩散卷积GDC、结合旋转与拓扑不变扩散算子的3D点云分类、捕获长短距离依赖的可变形GCN、用变分与总变差对齐图扩散模式并构建生成对抗网络预测传播流、从图信号处理角度分析GNN滤波器性质、利用图核函数进行特征学习、针对过度平滑的新方法，以及基于自适应图距离度量学习的灵活图卷积网络。