介绍了一个名为 GraSPy 的 Python 图形库，用于统计推断、机器学习和可视化随机图和图群体，提供了灵活易用的算法，可用于理解和分析具有符合 scikit-learn API 的图形，目前已在 Python Package Index 上提供下载。

Mar, 2019

该论文综述了现有的图内核方法，包括其应用、软件和数据资源，以及现阶段最先进的图内核进行的实证比较，以解决图形相似度评估问题，进而在分类和回归模型中进行预测。

Nov, 2020

本文介绍了 ExeKGLib，这是一个基于知识图谱的 Python 库，允许具有编码技能和最少机器学习知识的用户构建机器学习管道，提高了建立的 ML 工作流程的透明度和可重用性，并与传统 ML 代码进行比较以展示其优势。

May, 2023

这篇综述文章介绍了在结构化数据学习中，图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数，介绍了图核函数在社交网络及生物信息学等领域的成功应用，并提供了一些有关图核函数的应用和挑战的讨论。

Apr, 2019

本研究提出了 Grale 方法，通过融合不同的相似性度量来创建多种任务特定的同质化图，以解决图设计问题。我们在 Google 的 20 多个不同的工业设置中部署了 Grale，并且通过运用局部敏感哈希技术，大大减少了需要打分的节点对数量，从而在几小时内学习到任务特定的模型和对应的最近邻图。在研究中，我们将 Grale 应用于 YouTube 上的滥用分类问题，并发现它可以增加总召回率 89%。

Jul, 2020

该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

Feb, 2021

提出了一种更有区分性的图学习方法，该方法具有自适应性，可以保留样本之间的成对相似度，并且有效地统一了聚类和图学习，可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。

May, 2019

本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

Mar, 2020

本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

Dec, 2019

本研究总结了过去 15 年中用于核心基础图分类问题的技术，并在一系列基准测试和新数据集上对几种热门核进行了性能比对，发现对于某些数据集，简单的基准测试经过高斯 RBF 核转换后可以得到竞争性的结果；此外，还对现有的图核进行了实证研究，并据此得出了一个从数据角度出发的核分类方案。最后，基于实验结果，本文为核基础图分类提供了从实践角度出发的指南。

Mar, 2019