本研究提出了一种图扩散解决方案生成（GDSG）方法，旨在解决边缘计算网络中的优化问题。GDSG通过利用次优数据进行分布学习，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。

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。