本研究提出了一种结合图注意网络（GAT）和图卷积网络（GCN）的混合模型，以提高叶片病害分类的准确性。该模型在苹果、土豆和甘蔗叶病分类中达到了0.9822的准确率，显示了其在可持续农业中的应用潜力。

本研究提出了一种基于上下文表示学习的运动预训练方法，有效解决了单目3D人姿态估计中的深度模糊和数据不足问题，显著提升了模型的时空关系理解能力，并在两个基准数据集上取得了优异性能。

本研究解决了全图图卷积网络（GCN）训练中存在的内存爆炸和计算资源利用效率低下的问题。我们提出的MixGCN通过结合混合并行和混合加速器的方法，显著提高了训练效率和可扩展性。实验证明该方法在通信量和工作负载方面表现出色，对GCN的广泛应用具有重要的影响。

本研究提出ELU-GCN框架，旨在解决传统图卷积网络在标签信息利用上的不足，通过学习新图结构和图对比学习，显著提升GCNs的泛化能力。

本研究结合半监督图卷积网络和分子描述符与指纹，提出了一种新的预测方法，解决了PFAS毒性理解不足的问题。研究结果显示该方法能够准确评估PFAS的肝毒性，为新PFAS的化学发现和安全法规的发展提供指导。

本文介绍了一种名为CAGR的新型组推荐系统，通过BGEM、自我注意机制和GCN学习群组和用户的表示方法，优化组决策制定过程。实验证实了CAGR的优越性。

Multi-layer Graph Convolutional Network (GCN) A multi-layer GCN can be used to perform various tasks on this dataset, such as node classification, link prediction, or clustering. Here's a...

本研究针对自闭症谱系障碍（ASD）早期检测中的客观性不足问题，提出了一种新的亲子互动积木游戏协议（PCB），旨在识别自闭症与正常发展幼儿之间的行为模式。同时，我们构建了一个大规模的视频数据集，包含40名自闭症幼儿和89名正常发展的幼儿，通过采用一种混合深度学习框架，实现了高达89.6%的早期检测准确率，能够极大地改善自闭症的早期诊断，提高临床决策的及时性与准确性。

老年人跌倒是全球范围内导致伤害和死亡的重要原因。本文提出了一种新的多目标损失函数，用于改进跌倒检测。该方法在多相机模态数据集上进行了评估，具备提高异常检测能力的潜力。

中科院自动化所的新研究利用GCN在随机规划问题上取得了突破，速度比传统方法快了1440倍。研究团队设计了HGCN2SP模型，能够在15秒内解决随机规划问题，并在仓库选址和网络设计问题上表现出了强大的泛化能力。研究团队计划进一步优化模型并探索其在更多实际问题中的应用。

通过最新的状态空间模型和Mamba进行高质量高效的远程建模，引入基于GCN的局部增强来捕捉邻近关节关系，提供新的Pose Magic表示，通过自适应融合Mamba和GCN表示，学习基础3D结构，保留74.1%的FLOPs，展现出最佳的运动一致性和泛化能力。

本文介绍了一种基于场景图的三维场景理解方法，利用PointNet和GCN实现场景图的回归，并应用和评估了3DSSG数据集。

我们提出了一种轻量级的双图卷积网络 (LDGCN) 方法，通过考虑神经生理知识设计基线困倦状态邻接图 (BDSAG)，并引入增强的图级模块 (AGM) 来处理驾驶员困倦状态的监测。实验结果表明，LDGCN 相比现有的最先进算法在监测性能和硬件资源利用方面取得了最佳平衡。

提出了一种名为S2RC-GCN的新型空间光谱可靠对比图卷积分类框架，通过融合一维和二维编码器提取的光谱和空间特征，构建图形并将其输入到图卷积网络中以确定更有效的图形表示，进一步提出了一种可靠的对比图卷积方法以学习和融合鲁棒特征，测试结果表明该模型在复杂对象分类方面取得了最佳效果，有效提高了复杂遥感图像的分类性能。

提出了一个结合轨迹发展的 DevLSTM 模块，用于捕捉视频动作序列的时间动态，有效提取高维流数据中的事件顺序并显著提升 LSTM 模块性能，在 Skeleton-based action recognition (SAR) 领域取得了显著的优势。

我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

基于黎曼流形的图神经网络模型中，提出了扩散层和切线多层感知机层，表现出非常好的性能。在合成数据和海马右侧三角网格对阿尔茨海默病分类的实例中，模型取得了非常好的性能。