1、《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》
2019年IJCAI的文章，亮点有三：①自适应邻接矩阵 self-adaptive adjancency matrix；②基于自适应矩阵的扩散图卷积 diffusion GCN；③空洞因果卷积 dilated causal temporal convolution。
其中，自适应邻接矩阵是通过两个node embedding矩阵基于ReLU和Softmax激活得出，优势在于对未知图结构的数据也适应，并可以挖掘潜在连接关系。
原文链接：https://arxiv.org/abs/1906.00121?
代码链接：https://github.com/nnzhan/Graph-WaveNet
训练细节：①扩散步K=2，②embedding维度设置为10，③学习率初始化为0.001的Adam优化器，④dropout设置为0.3，⑤空洞因子设置为1,2,1,2,1,2,1,2，⑥梯度裁剪gradient clip 设置为L2=5
2、《Incrementally Improving Graph WaveNet Performance on Traffic Prediction》
对Graph WaveNet做了改进，网络结构的主要改进为增加图卷积操作的残差链接，其他改进体现在训练细节上：①学习率衰减learning rate decay设置为0.97，每个epoch后衰减，②卷积核数量从32增加到40，③梯度裁剪L2=3
原文链接：https://arxiv.org/abs/1912.07390
代码链接：https://github.com/sshleifer/Graph-WaveNet.