Attribute-Graph：一种基于图的图像排序方法
该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。
May, 2023
本文通过使用图神经网络测量场景图的相似度，提出了一种基于场景图相似度的图像检索方法，并使用人工注释的标题计算图片相关性测量来训练图神经网络，收集了一个数据集用于评估检索算法，并显示我们的方法比竞争方法更符合人类对图像相似性的感知。
Dec, 2020
本文介绍了一种简单但有效的图形表示方法，并探讨了其在图形分类中的应用。该表示方法在非属性图形分类中取得与最先进的图形核和图形神经网络类似的表现，但在属性图形分类中表现稍弱。文中强调了需要更全面的基准数据集来评估和分析不同的图形学习方法，并认为我们提供的图形表示方法是未来图形分类（甚至其他图形学习）研究的良好基准方法。
Nov, 2018
提出了一个端到端的深度卷积神经网络，可以同时定位和排序相对视觉属性，在仅使用弱监督成对图像比较的情况下进行学习。不同于之前的方法，我们的网络联合学习了特征、定位和排序。我们的定位模块发现属性最有信息量的图像区域，这个区域被排序模块用来学习属性的排序模型。我们的端到端框架也显著加速了处理速度，比之前的方法快得多。我们在各种相对属性数据集上展示了最先进的排序结果，我们的定位结果清楚地表明了我们的网络学习了有意义的图像块。
Aug, 2016
本文提出了基于图传播的方法，通过构建超球面邻域图和邻域一致性定义，学习对于单个图像的图像特征表示，从而在零样本物体分类任务中，大幅度提高了原始基于类别的属性表示的准确度。
May, 2019
本文提出了一种高并行性图神经网络的再排序方法，将传统的再排序过程分为检索高质量图库样本和更新特征两个阶段，并在实验中验证了该方法的实时处理能力和检索效果。
Dec, 2020
Graph2Gauss 是一种利用高斯分布表示节点，可以快速有效地在大规模（带属性）图上学习多功能节点嵌入，并且优于现有的方法，在网络分析和不同类型的图上都适用的无监督学习方法。
Jul, 2017
论文通过提出基于子图匹配的图内核来解决无属性子图匹配内核所面临的属性不匹配的问题，并通过灵活的打分方案对子图匹配进行评分。作者还提出了用于计算内核的图论算法，并在对真实世界图进行分类任务时取得了鼓舞人心的实验结果。
Jun, 2012
本文介绍了一种利用图嵌入技术使神经信息检索模型可以利用图结构数据进行自动特征提取的方法，并将其应用于电子商务数据集中，结果显示该方法在多个强基线模型和排序框架中都有显著提高。
Jan, 2019