本文研究计算多边形曲线之间的 Frechet 距离，提出了两种算法来实现离散情况下的逼近和伪输出敏感性算法，并研究应用于蛋白质主干的 Frechet 距离计算。

Apr, 2015

通过加速随机游走算法计算截断通勤时间，不需要计算所有配对，本文在模拟和真实图表上进行了实验，结果显示计算时间近线性缩放。

Jun, 2012

通过在来自聚合近似后验的有限样本图中找到最短路径，我们提出了一种解决高维空间中数据相似性计算的方法，并在图像数据的多个实验中进行了验证。

Dec, 2018

发展了一种参数化距离的理论，主要包括随机最短路径不相似度和自由能距离，并比较了这些距离在图节点聚类和分类任务中的应用，结果表明自由能距离表现最好。

Dec, 2012

本文提出使用深度学习中的向量嵌入来近似计算大型网络的最短路径距离，结果表明，使用向量嵌入的前馈神经网络可以比较低的失真误差实现距离计算。该方法在 Facebook、BlogCatalog、Youtube 和 Flickr 等社交网络上进行了评估。

Feb, 2020

我们提出了一种基于随机游走的新方法，用于超图上的标签传播，其中我们将节点距离估计为随机游走的预期命中时间，并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试，结果显示在目标数量较小的情况下，FRW 在运行时间上具有明显的计算优势。最后，我们分析了我们方法的时间复杂度，并表明对于大型稀疏的超图，复杂度近似为线性，优于 DeepWalk 的替代方案。

Jan, 2024

提出了一种基于化合物相似性的新评估指标，称为 “Fréchet ChemNet distance (FCD)”，用于评估深度学习驱动的 de novo 药物设计的生成模型，该指标考虑了分子化学和生物学相关信息，并通过分布分析生成的分子集的多样性来度量其生成分子集的生物活性和化学特性的相似性和多样性。

Mar, 2018

本篇研究提出了一种基于随机游走的顶点相似度度量，使用该度量可以高效地计算网络的社区结构，并提出了一种名为 Walktrap 的聚合算法，该算法提高了社区结构计算的准确性。经过全面的比较测试，表明该算法在质量和运行时间方面都优于以前提出的算法。

Dec, 2005

提出了一种使用近似算法以几乎线性的运行时间估算 Chamfer 距离的方法，适用于大规模高维数据集，为分析大规模高维点云开辟了新的途径。

Jul, 2023

本文提出了一类包含参数族的距离，该类距离在族参数的极限值处降至最短路径、有权最短路径和电阻距离。该类距离的主要性质是所有距离都是图地理距离：如果且仅当从 $i$ 到 $k$ 的每一条路径都通过 $j$，则 $d (i,j)+d (j,k)=d (i,k)$。该类的构造基于矩阵森林定理和转移不等式。

Oct, 2008