本文介绍了一种使用属性传播网络（APNet）进行零样本学习的方法，其优化了用于零样本分类的属性空间，并使用图传播模型和最近邻分类器来实现更好的分类准确性。

Sep, 2020

本文提出了一种新的图像表示法 —— 属性关系图 (Attribute-Graph)，用于通过图像的局部和全局特征排名与给定查询图像的语义相似的图像。实验证明，将图像建模为属性关系图可提高排序性能。

Sep, 2015

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

该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor（HAP）。通过将超图用于描述数据中的属性关系，其将属性预测问题转化为带有正则化的超图切割问题，可以应用于属性预测、零样本和 $N$-shot 学习任务中，并在 AWA、USAA 和 CUB 数据库上展现了比同类方法更具优越性的结果。

Mar, 2015

提出一种基于属性本地化的图像表示学习框架，通过视觉语义嵌入层学习全局特征，并通过属性原型网络同时回归和解相关属性，为任意样本，包括零样本和少样本图像分类任务提供有益的属性知识转移，并引入变焦模块以局部化和裁剪信息区域鼓励网络显式地学习最有效的特征。此外，该模型通过视觉化和用户研究定量和定性评估属性本地化能力，并在三个基准测试中取得新的最优结果。

Apr, 2022

在图中学习不偏倚的节点表示已成为一个更为重要的研究领域，本文提出一种新型的超伽马几何不平衡层次学习框架自动实现节点分类任务的评估。

Apr, 2023

提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

Apr, 2024

本文介绍了一种新的将基于属性的网络嵌入到双曲空间的方法 HEAT（Hyperbolic Embedding of ATtributed networks）。通过利用节点属性，HEAT 可以在多项下游任务中胜过现有的双曲嵌入算法，同时它还可以用于嵌入多种中有和不带属性的网络，这为广阔的双曲流形学习领域打开了大门。

Mar, 2019

通过引入生成自监督模型 SHAVA，本文提出了一种可以同时解决节点属性缺失、属性不准确和标签稀缺问题的方法，该方法在异构信息网络中构建了低维表示矩阵，并通过节点和属性的编码解码实现了节点属性的精细语义信息表达、属性重建和准确性纠正。实验结果表明，SHAVA 在处理具有缺失和不准确属性的异构信息网络方面具有优越性。

Nov, 2023

通过集成属性局部化能力的图像表示，建议使用只有类别级别的属性来更好地将基于属性的知识从已知类别转移到未知类别，为此，提出了一种新的零样本表示学习框架，使用属性原型网络共同学习具有区分性全局和局部特征。对于三个零样本学习基准测试，我们的局部增强图像表示方法实现了一个新的最先进水平。

Aug, 2020