用监督学习和高斯过程回归为基础，提出了 Sliced Wasserstein Weisfeiler-Lehman（SWWL）图内核来处理具有连续节点属性的大型稀疏图数据集，并成功应用于分子数据集的图分类和计算流体力学、固体力学的图回归任务。

Feb, 2024

本文提出了一种基于嵌入空间和 Wasserstein 距离度量的图平均值定义框架，可通过迭代算法计算得出可保留结构信息的均值图，该框架在结构图聚类、功能脑网络分类和半监督节点分类中表现优异，是一个有价值的实用工具。

May, 2023

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

本文提出一种基于 Weisfeiler-Leman 算法和神经网络架构的图核方法，能够处理高阶交互，同时具有表达能力、可扩展性和防止过拟合等优点。实验表明，与原算法相比，局部算法（包括核和神经体系结构）具有快速计算时间和防止过拟合的优势，并且在多个基准数据集上实现了最新的图分类技术成果，同时展现了在大规模分子回归任务上的性能。

Apr, 2019

本文首次阐明了 Weisfeiler-Lehman 测试仅考虑了图一致性因而弱化了结构信息描述能力的事实，并定义了一种叫做 Wasserstein WL subtree (WWLS) 距离的度量。通过引入 WL 子树作为节点附近的结构信息并将其指定给每个节点，我们定义了一种新的基于 L_1 近似树编辑距离（L_1-TED）的图嵌入空间，并且使用 Wasserstein 距离来反映将 L_1-TED 度量到图级别的变化。我们在多个图分类和度量验证实验中展示了 WWLS 的性能。

Jul, 2022

该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决 k-cut 图分割问题的新方法，比当前最先进的 GWL 技术在真实世界网络上表现更佳。

Jun, 2020

本文提出了一种新型图核心方法，称为多尺度路径结构图核心方法（MPG），它考虑了子结构的分布和不同尺度的图结构，并使用 Wasserstein 距离计算相似度，实验结果表明其性能超越了现有方法。

Jun, 2022

本文介绍了一种名为 hash graph kernels 的方法，可以将离散标签的图形核扩展到包含连续属性的图。该方法通过随机的哈希函数将连续属性迭代地转换成离散标签，并在 Weisfeiler-Lehman 子树核和最短路径核的基础上展示了其优越性能和扩展性。

Oct, 2016

本研究提出了针对图学习的 Wasserstein Embedding 方法，并应用不同的机器学习模型来进行图预测任务，利用节点嵌入分布的相似度来定义图之间的相似性，并用 Wasserstein 距离度量两者之间的差异，不同于现有方法，避免了两两计算不同的图之间的距离，将计算复杂度从二次线性降至一次线性，并证明了该方法在各项基准图属性预测任务中具有优秀的分类表现及计算效率。

Jun, 2020

本文介绍一种利用同配网络和解码器实现对 Wasserstein 距离进行逼近的方法，该方法可用于快速处理优化问题，如重心、主要方向或原型，在图像数据集上已经进行了实验。

Oct, 2017