本研究提出了一种图表示规划方法，解决了基于学习的规划者在对称性方面的不足，并引入了动作和状态修剪技术，有效管理搜索过程中的对称性，使Fast Downward在IPC学习轨道数据集上超越LAMA。

本研究提出了一种创新的图表示方法，通过将时间戳视为独立节点，克服了传统图学习在动态海洋环境中的局限性，提高了船舶行为异常检测的准确性和鲁棒性。

本研究提出了一种即时策略，通过图表示引入归纳偏差，解决机器人领域的上下文模仿学习问题，快速学习多种日常任务，并为跨实体和零样本转移奠定基础。

本研究提出了一种图表示方法，解决了人类运动轨迹提取中的轨迹表示不足问题，保留了地理层级信息和时间顺序，并建立了基准数据集。实验表明，虽然可以准确预测访问地点及其顺序，但预测层级关系仍然具有挑战性。

本研究提出了一种新方法WL-GOOSE，通过图表示和WL算法生成特征，与传统机器学习结合，参数和训练速度优于深度学习模型。在10个领域中，WL-GOOSE的覆盖率优于或与LAMA相当，计划质量在4个领域中更好。这是首次在学习规划模型中取得显著成就，并探讨了WL特征生成与其他学习架构的关系。

本文提出了一种新的图结构HiGNN，通过研究每个节点在图中的邻居分布来利用异质性中的宝贵语义信息，增强具有相似语义特征的节点之间的连接性。实证评估和与其他方法比较表明，HiGNN在改进图表示方面有效，并通过整合异质性信息提升了现有基于GNN的方法。