本文介绍了一种用于分类脑网络的新方法：通过提取对比子图来建立简单而可解释的模型，该方法在分类准确度上表现优异，并在分析自闭症谱系障碍儿童和正常儿童的脑网络数据集时发现了与神经科学文献中的背景知识相符的有趣模式。

Jun, 2020

研究使用最大熵建模来发现具有统计学显著性的子图，以描述图群组之间的相似性和差异性，验证了该方法在实践中的良好性能。

Dec, 2021

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

本文介绍了图形学习方法，如何通过图信号了解底层网络拓扑，以及统计方法，使用相关分析学习高斯图模型，并介绍近期的 GSP 基础网络推断框架，以及对动态网络的推断，非线性模型的配对交互以及对有向图的扩展及其与因果推理的关系等领域的挑战和机遇进行概述。

Oct, 2018

通过将联通子图嵌入到线性矩阵不等式（LMI）中，可以计算与联通子图相关的合适目标的优化。我们通过最优化凸目标函数解决了联通性的组合问题，并证明我们的测试对于指数族分布的一维和二维晶格是 Minimax 最优的。我们展示了联通子图族的内部导电对于表征可检测性扮演了重要角色。

Nov, 2014

我们提出了一种新的方法来估计图的拓扑，并识别三节点的相互作用，通过结构化的图 Volterra 核来学习二阶简单复形 (SCs)，通过使用群规范和掩膜矩阵求解图和 SC 推理的数学公式，实验结果表明我们的方法在合成和真实数据上具有优越性能。

Dec, 2023

本文探讨了稀疏子空间聚类的图连通性问题，并展示了一种简单的后处理方法，可以在某些 “一般位置” 或 “受限特征值” 假设下提供一致的聚类，同时提供了基于维度大于 3 的子空间的噪声 SSC 的第一个准确的聚类保证。

Apr, 2015

本篇论文提出了一种不需要标记技巧，同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型 Stochastic Subgraph Neighborhood Pooling (SSNP)，通过结合子图和其邻域的信息，以及简单的数据增强预处理步骤来多视角观察邻域的信息，并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。

Apr, 2023

本文提出了一个基于图形的数据表示和建模框架，研究了平滑图信号，分段常数图信号和分段平滑的图信号三种类型，通过提出的方法在逼近和采样恢复的任务中进行了探究，并提供了带有理想属性的相应图词典的明确定义。最后，本文通过使用新的方法来解决现实世界的问题，对每个类别进行了实例研究。

Dec, 2015

本文综述了从统计学和物理学等传统观点以及从图信号处理 (GSP) 角度采用的更近期的方法。本文重点强调了传统和 GSP 为基础的图推理方法之间的概念上的异同，并强调了后一种方法在许多理论和实践情景中的潜在优势，并结论了未来信号处理和机器学习算法的设计面临的若干开放问题和挑战。

Jun, 2018