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。

本研究提出了一种新的图卷积网络ELU-GCN，旨在提高标签信息的利用效率。该方法通过学习新的图结构和进行图对比学习，显著提升了GCNs的泛化能力，实验结果验证了其有效性。

本研究结合半监督图卷积网络（GCN）与分子描述符，提出了一种新颖的PFAS肝毒性预测方法。结果表明，该方法能够更准确地评估PFAS的肝毒性，为新PFAS的化学发现和安全法规提供指导。

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。

本文介绍了多种基于深度学习的跌倒检测技术，包括DeepFall框架、单图像人体坠落检测器和多传感器数据识别系统。这些方法通过分析空间和时间特征，提高了跌倒检测的准确性和效率，尤其对老年人安全至关重要。研究还探讨了未来的研究方向和技术改进。

本文介绍了多种图卷积神经网络（GCN）训练方案，如FastGCN、Efficient Graph Convolution和PipeGCN，旨在提高大型图的训练效率和准确性。研究表明，通过优化数据分区、批量生成和通信协议，可以显著提升分布式GCN的性能，减少内存使用，加速训练过程。

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。

本研究提出了Simba框架，结合Mamba架构和多种图卷积网络，提升了骨架动作识别和3D点云分析的性能。研究通过状态空间模型展示了在多个任务中超越现有方法的效果，具有高效性和可扩展性。

本研究提出了多种图卷积网络模型，应用于图分类、脑电波诊断和交通流量预测等领域。实验结果表明，这些模型在准确性和效率上优于传统方法，推动了神经疾病和交通预测的发展。

本文探讨了图神经网络中的过度平滑问题，并提出了多种解决方案，如改进的GCN训练技巧、Scattering GCN方法和DropEdge技术，以提高节点分类性能和泛化能力。研究表明，合理的模型结构和训练方法能有效缓解过度平滑现象，增强图卷积网络的表达能力和鲁棒性。

本文介绍了一种基于对比学习的图卷积网络模型（ConGCN），旨在增强高光谱图像分类的特征表示能力。通过半监督对比损失和图生成损失，该模型在多个基准数据集上实现了显著的性能提升。此外，提出的自适应空间-光谱图卷积网络也在高光谱图像分类中表现出优越性。

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。