本文总结了过去几年针对单细胞数据的图神经网络方法，并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的应用。预计随着大规模组学数据和细胞与基因之间关联性的增强，图神经网络将成为单细胞分析的核心。

GeoContrastNet是一个语言不可知的框架，通过结合对比学习目标和图注意力网络（GATs），强调几何特征的重要性，实现了结构化文档理解（DU）。该方法在链接预测和语义实体识别方面表现出有希望的结果。研究结果表明，将几何特征和视觉特征相结合，可以提高大型DU模型的性能准确性和效率。该方法突出了页面布局中命名文本实体之间的关系布局信息的重要性。

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。