本文提出了一种使用图粗化来实现可扩展 GNN 训练的不同方法，详细介绍了图粗化操作的影响和选择方法，并表明图粗化也可看作一种正则化手段。实证结果表明，简单地应用成熟的粗化方法，可以将节点数降低到原来的十分之一而不会导致分类精度的明显下降。
Jun, 2021
本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。
Mar, 2019
该研究从不同的角度研究了图的加粗技术，并提出了一种保持图距离的方法，该方法使用 Gromov-Wasserstein（GW）距离，并采用加权核 K-means 方法最小化两个图的距离及其加粗版本之间的差异，以此来改进现有的谱保存方法。研究还包括一组实验，支持理论和方法，包括利用谱信息对图进行分类和回归。
Jun, 2023
通过提出一种适用于粗化图的新的消息传递操作，我们在合成和真实数据上进行节点分类任务，并观察到与在粗化图上执行简单的消息传递相比，取得了改进的结果。
May, 2024
提供了同时稀疏化和粗化图形的统一框架，其原理基于图拉普拉斯算子的物理解释，并使用一种无偏处理程序来减少图形并保留其大规模结构。
Feb, 2019
本文研究了图分区中的边划分问题，提出了可调节的边和块的两个新概念，基于此发展了一种贪心启发式和一个利用最大流模型的改进搜索算法，可以大幅度提高图分区的质量和近似比。
Dec, 2020
本文提出一种新的 “接近度” 度量方式来推广和改进图的多尺度组织形式，该方式的计算线性于图中边数，并且仅涉及少量的松弛迭代，然后在每个粗略层次上计算和使用类似的距离概念，我们演示了该度量方式在多个重要组合优化问题的多尺度方法中的应用，并讨论了多尺度图形组织。
Apr, 2010
论文探讨了平衡图分割领域中最近趋势的算法，应用和未来的研究方向。
Nov, 2013
本文提出了一个简单的分布式算法，基于采样方案将输入的密集图转化为稀疏的子图，并在多项式对数回合内完成图的聚类，同时具有高效的实现和处理大数据集的广泛应用。
Nov, 2017
我们研究了多维平衡图分区问题，提出一种基于随机投影梯度下降的可扩展技术来解决该问题，并在实验中表明该方法在大规模图处理时具有卓越的性能表现。