​在现代射频/微波系统开发过程中，工程师需要对电路中的关键器件进行参数化分析，以确保信号品质、系统一致性及高频性能得到保障。而其中，S参数（Scattering Parameters，散射参数）可谓是绝大多数射频工程师的日常“主角”。

图神经网络 (GNN) 在许多使用图结构数据的场景中取得了巨大成功。然而，在许多实际应用中，在应用 GNN 时存在三个问题：图未知、节点具有噪声特征以及图包含噪声连接。为了解决这些问题，我们提出了一种新的图神经网络，称为 GL-GNN。我们的模型包括多个子模块，每个子模块选择重要的数据特征，并在图未知时学习数据样本对应的关键关系图。GL-GNN 通过学习子模块的网络进一步得到图的网络。使用图网络上

谱图卷积神经网络(Spectral graph convolutional neural networks, CNNs)需要对卷积进行近似，以降低计算复杂度，导致性能损失。本文提出了拓扑自适应图卷积网络(TAGCN)，这是一种定义在顶点域上的图卷积网络。我们提供了一种系统的方法来设计一组固定大小的可学习滤波器来执行图上的卷积。这些滤波器在扫描图进行卷积时，其拓扑结构与图的拓扑结构相适应。TAGCN

之前都是图的模型都是已知的：这节开始研究如何用模型生成这样的图：图生成模型问题的研究动机，以前都是假设图是已知的；

文章介绍了一种线性特征调制feature-wise linear modulation (FiLM)新的图神经网络(GNN)。多数标准的GNN变体都是基于边的源节点表示通过边来传播信息。在GNN-FiLM, 目标节点的表示也会通过转换被应用到所有传入信息种，从而实现基于特征调制的信息传递。论文在三个数据集PPI, QM9 和VarMiuse上进行了测试，并在自己机器上和多个baseline(GGN

对于子图的定义通常有两种，主要看适用的场景例如：化学：节点诱导（官能团）‎‎知识图谱：通常是边缘诱导的（重点是表示逻辑关系的边缘）‎设GQG_QGQ​是一个小图，GTG_TGT​是目标图数据集。GQG_QGQ​在GTG_TGT​GTG_TGT​不同的节点子集VTV_TVT​的数目（VTV_TVT​诱导的GTG_TGT​的子图与GQG_QGQ​同构）图中频率为2图中频率为C1006C_{100}^6

晶体图卷积神经网络(CGCNN)为材料性能预测和设计知识提取提供了一个灵活的机器学习框架。该框架利用10410^4104个训练数据对具有不同结构类型和组成的无机晶体的8种性质提供了可靠的DFT计算估计。作为知识提取的一个例子，我们将这种方法应用于新的钙钛矿材料的设计，表明从模型中提取的信息与常见的化学见解一致，并显著减少了高通量筛选的搜索空间算估计。...