分子科学研究涉及各种类型和尺寸的分子及其复合物的广泛问题。近年来，几何深度学习（尤其是图神经网络 (GNNs)）在分子科学应用中展现出优异性能。然而，现有研究大多针对特定分子系统引入定向归纳偏置，在处理大分子或大规模任务时效率低下，限制了其在现实问题中的应用。为解决这些挑战，我们提出了PAMNet——一个通用框架，能够准确高效地学习任何分子系统中不同尺寸和类型的三维 (3D) 分子表征。受分子力学启发，PAMNet通过物理信息偏置显式建模局部与非局部相互作用及其协同效应，从而减少昂贵计算操作，实现时间和内存高效性。在涵盖小分子性质、RNA三维结构和蛋白质-配体结合亲和力的三大学习任务基准测试中，PAMNet在准确性与效率方面均超越现有最优基线。这些结果表明PAMNet在分子科学领域具有广泛的应用潜力。

视频动作分割已广泛应用于多个领域。多数先前研究采用基于视频的视觉模型实现这一目标。但这些方法通常依赖大感受野、LSTM或Transformer方法来捕捉视频中的长时依赖关系，导致计算资源需求显著。为应对这一挑战，基于图的模型被提出。然而，现有基于图的模型精度较低。为此，本研究提出名为Semantic 2 Graph的图结构方法，通过建模视频中的长时依赖关系来降低计算成本并提升精度。我们在帧级别构建视频图结构：使用时序边建模视频中的时序关系与动作顺序；同时设计带权值的正负语义边，以捕捉视频动作的长短期语义关联。节点属性包含从视频内容、图结构和标签文本中提取的多模态特征，涵盖视觉、结构和语义线索。为有效融合多模态信息，我们采用图神经网络(GNN)模型进行节点动作标签分类的多模态特征融合。实验结果表明，Semantic 2 Graph在GTEA和50Salads等基准数据集上性能优于现有最优方法。多项消融实验进一步验证了语义特征对模型性能的提升作用。值得注意的是，Semantic 2 Graph通过引入语义边实现了长时依赖关系的低成本捕捉，有效解决了基于视频的视觉模型面临的算力约束难题。

重排序方法利用高置信度检索样本来优化检索结果，已被广泛用作图像检索任务的后处理工具。然而，我们注意到重排序存在一个主要缺陷，即计算复杂度高，这导致实际应用中的时间成本难以承受。本文重新审视重排序，并证明重排序可以重构为一种高并行度的图神经网络 (Graph Neural Network, GNN) 函数。具体而言，我们将传统重排序过程分为两个阶段，即检索高质量图库样本和更新特征。

图神经网络 (GNN) 领域的最新研究发现了一个关键问题，即由于图结构中的瓶颈现象导致的"过度挤压" (over-squashing)，这会阻碍远程信息的传播。先前的研究提出了各种图重连 (graph rewiring) 概念，旨在优化图的空间或频谱特性以促进信号传播。然而，这些方法不可避免地会破坏原始图拓扑结构，可能导致信息流失真。为了解决这个问题，我们引入了一种扩展宽度感知 (PANDA) 消息传递机制，这是一种新的消息传递范式，其中具有高中心性 (可能成为过度挤压源) 的节点会被选择性地扩展宽度，以封装来自远处节点不断增长的信号流。实验结果表明，我们的方法优于现有的重连方法，这表明选择性地扩展节点的隐藏状态可以成为解决过度挤压问题的图重连方法的有效替代方案。