本研究提出了一种分段常数谱图神经网络（PieCoN），旨在解决现有谱图神经网络在识别图谱特性时的复杂性和性能瓶颈。通过结合分段常数滤波器与多项式滤波器，PieCoN能够更灵活地利用图结构，提升谱特性学习能力。实验结果表明，该方法在异构图数据集上表现优异，具有广泛的应用潜力。

本研究提出了一种新方法，通过将句子自动转换为图结构，提升自然语言处理的可解释性。实验结果表明，该方法在识别文本关键信息方面表现优异。

本研究提出了一种新方法，通过优化图结构数据，实现公平的机器遗忘，解决公平性与隐私合规性之间的矛盾，显著提高遗忘效率并确保公平遗忘的可靠性。

本研究提出PIE框架，克服了大型语言模型在复杂图结构处理中的局限性。通过问题理解、提示设计和代码生成，PIE在准确性和计算效率上优于现有方法，展现出重要的应用潜力。

本研究探讨图结构组合优化问题的复杂性，提出将图形转化为图像以保留高阶结构特征，从而提升机器的空间推理能力。研究表明，多模态大型语言模型在图结构数据分析中展现出卓越的智能和理解能力。

本研究探讨了大型语言模型在节点分类中的图结构建模局限性，提出了图定义语言框架（GDL4LLM），通过将图转化为语言语料库，提升了大型语言模型对图结构的理解，并在实际数据集上验证了其优势。

本研究提出MotifGPL框架，旨在解读城市社会隔离的复杂性。该框架通过图结构原型学习和模式分布发现，有效提取影响城市隔离的关键模式，为缓解社会隔离提供实证指导。

本研究提出了一种新方法，结合命名实体识别与大型语言模型嵌入，构建基于图的文档聚类框架。实验结果表明，该方法在处理命名实体丰富的文档时，聚类效果优于传统方法。

本研究提出了一种基于大型语言模型的算法，解决高维分子势能面计算问题。该算法通过图结构表示分子系统，利用神经网络处理子系统，成功构建了51维和186维化学系统的势能面，展示了在高维问题中的应用潜力。

一种新方法将图结构转化为适合Transformer的线性token序列，从而提升大语言模型对图关系的理解。研究表明，基于节点中心性和PageRank的线性化方法在图推理任务中表现优异，尤其在节点计数和最大度计算方面。

本研究提出了一种新的图结构编码框架——基于同态计数的图案结构编码（MoSE），有效解决了图变换器的编码问题。MoSE在多种架构中优于其他编码方法，并在分子性质预测中取得了显著成果。

本文介绍了多种基于图结构和神经网络的机器人场景理解方法，如图卷积网络、神经隐式场和空间本体构建。这些方法在室内外环境中有效提升了语义推断、目标导航和房间布局估计的精度，并展示了在稀疏数据下生成高质量3D场景图的潜力。

本文介绍了一种基于图结构和深度神经网络的方法，提升视觉问答（VQA）性能，准确率从71.2%提高到74.4%。该方法结合图形学习和卷积概念，有效捕捉问题特定的图像表示，并在多个数据集上表现优越，展现良好的可解释性和泛化能力。

本文研究了图神经网络（GNN）的性能，提出了多种新模型和框架，以提高其在噪声图中的鲁棒性。实验验证了这些模型在特征去噪和图结构保持方面的有效性，为应对噪声和攻击问题提供了新解决方案。

本文提出了一种名为 SGFormer 的简化图结构 Transformers 算法，旨在高效处理大规模图结构并提升节点属性预测性能。研究采用可扩展的图转换器框架，结合快速采样和局部注意机制，解决了全局注意的计算复杂性问题。实验结果表明，LargeGT 框架在节点分类基准测试中实现了显著的加速和性能提升。

本文提出了多种新型空间-时间学习模型和框架，如CL4ST、GraphST和ST-GFSL，旨在提高交通和犯罪预测的准确性。这些模型在处理多视图信息和数据稀缺问题上表现优异，能够有效提取特征并重构图结构，超越现有基准模型。

本文探讨了基于图结构和Transformer模型的时间序列分析方法，重点研究因果关系的发现及其在金融市场预测中的应用，显示出这些模型在捕捉依赖关系和提高预测准确性方面的显著优势。