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PieClam模型，这是一种基于重叠包容和排斥社区的概率图自编码器。该模型通过引入学习的先验和新解码器，提升了图表示能力，并在图异常检测中表现优异。