本研究提出了一种新颖的拓扑边图（TED）和基于线图的维托里斯-里普斯持久性图算法（LGVR），有效解决了图神经网络中的信息丢失问题。实验结果表明，该模型在图分类和回归任务中表现优异。

本研究探讨了线图变换对图神经网络表现力的影响，提出了一种排除特定图挑战性特性的策略，并通过实验证实了该方法在提升图同构测试和GNN效率方面的潜力，为图表示学习提供了新视角。

本研究通过引入有向线图（DGL）表示，解决化学反应分类问题，构建了首个针对超图的光谱图神经网络（DLGNet）。实验结果表明，DLGNet在多个化学反应数据集上表现出色，平均提升33.01%。

本研究提出了一个在线学习原则的过滤框架，解决了在线图过滤器处理动态拓扑变化的挑战。通过回归分析，发现该方法在图信号推断任务中优于基线和现有技术，具有良好的性能表现。

本文介绍了一种名为ARRQP的实时QoS预测框架，通过改进对数据异常的鲁棒性，利用图卷积技术捕捉用户和服务之间的关系和依赖，有效减少异常值的影响。同时，引入了稀疏鲁棒的灰羊检测方法，并通过强调情境特征解决冷启动问题。实验结果表明该框架能够准确及时地进行QoS预测。