本文探讨了多种基于查询-文档相关性的检索模型，强调了相关性单词嵌入模型在查询扩展和分类任务中的优势。研究比较了不同上下文编码器的性能，并提出结合TF-IDF与上下文嵌入的方法以提升文本匹配效果。此外，介绍了基于图注意力网络的文档嵌入学习及其在文档分类和检索中的有效性。

本文介绍了EdgeNet框架，整合了图卷积神经网络和图注意力网络，优化了图神经网络（GNN）的性能。研究提出了新的GNN架构和算法，解决了过度平滑和长距离依赖等问题，提升了模型的稳健性和准确性。此外，提出了HopGNN框架和图信息层，增强了计算效率和可扩展性，并在多个数据集上展示了优越表现。

本文介绍了基于注意力机制的图神经网络（GNN）结构及其应用，提出了图注意力网络（GATs）、BA-GNN和BR-GCN等模型，解决了图结构数据处理中的关键挑战。这些方法在多个数据集上表现优异，尤其在分类和迁移学习方面。

本文介绍了多种新型图神经网络结构及其在图数据处理中的应用，包括图注意力网络（GATs）、因果图注意力网络（CAT）和方向图注意力网络（DGAT）。研究表明，这些模型通过改进注意力机制和局部信息聚合，显著提升了图信息传播能力和性能，尤其在大规模数据集上表现优异。

本研究探讨了EEG情感识别中的稳定模式，发现正面情绪激活侧向颞区的beta和gamma波，而负面情绪则在前额和枕部表现出更高的delta和gamma波。研究提出了基于图注意力网络和多任务自监督学习的模型，显著提高了情感分类的准确性，展示了EEG情感识别的潜力和未来研究方向。

本文介绍了一种名为知识增强文档标签注意网络（KeNet）的新方法，旨在提升多标签文本分类的性能。该方法通过结合文档、知识和标签表示，在多个数据集上超越了现有技术。此外，研究还探讨了多任务学习、标签相关性反馈机制和图注意力网络等技术，以增强标签学习和分类效果。

本文介绍了多种基于图注意力网络（GAT）的新方法，如KGAT、CGAT和DGAT，旨在提高推荐系统和节点分类的准确性。这些方法在处理知识图谱和图结构数据时，表现优于现有技术，具有更好的性能和可解释性。

本文介绍了多种基于深度生成学习的城市布局生成方法，包括图注意力网络、生成对抗网络和自动编码器等。这些方法能够生成逼真的城市布局，支持不同建筑形状，并在城市规划和数字模拟等领域具有广泛应用前景。

研究提出了一种基于局部时空模式学习图注意力网络（LTS-GAT）的情感识别技术，结合图注意力机制和动态域鉴别器以提高算法的鲁棒性。通过新型变压器模型EmT，将EEG信号转化为时态图，从而优化情感分类性能。该方法在多个数据集上验证了其优越性，展示了脑电图在情感识别中的应用潜力。

本研究提出了一种基于依存句法分析的情感分析模型，采用新标签策略和图注意力网络，显著提升了性能。通过半监督学习和动态规划改进句法解析器，在多个基准数据集上取得了优异结果。此外，研究探讨了结构性解析对Transformer模型的影响，提出了StructVAE模型，结合未标记数据超越传统监督模型表现。

本文介绍了多种基于3D扩散模型和图注意力网络的城市场景生成方法，如UrbanDiffusion、CityGen和CityDreamer。这些方法结合实际驾驶数据、图卷积网络和预训练模型，实现了高质量、可控的三维城市布局生成，展现了在智慧城市和城市规划中的应用潜力。

本文评估了图注意力网络（GAT）中层数与性能的关系，提出了ADGAT模型，通过残差连接解决了Oversquashing现象，显著提升了性能。同时，介绍了新型图神经网络架构GAMLP和DGAT，均在多个数据集上表现优异，推动了图结构数据处理的进展。

本文介绍了多种基于机器学习和图注意力网络的技术，包括联合核图注意力网络（JGAT）在大脑解码中的应用、生成对抗网络（GAN）在无线电地图构建中的应用，以及多范围注意力双组分图卷积神经网络（MRA-BGCN）在交通预测中的表现。这些方法在数据处理的精度和效率上展现了显著优势。

该论文提出了一种使用图注意力网络解决学习结构运动问题的方法，通过学习模型以2D关键点为输入，输出相机姿态和3D关键点坐标，实现了快速推理和重建。该方法在较短时间内超过了竞争的基于学习的方法，并挑战了COLMAP。

本文介绍了一种新的方法，即遮蔽特征建模（MFM），用于无监督的图注意力网络（GAT）块的预训练。MFM利用预训练的视觉令牌生成器重构视频中对象的遮蔽特征，利用MiniKinetics数据集。实验评估表明，MFM有效地改进了事件识别性能。