本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

Oct, 2017

本文提出了一种新的全局对齐图核算法，该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输，得到的图嵌入称为“随机图嵌入（RGE）”，可以通过定义在随机图上的分布自然地产生随机特征近似，实验结果表明 RGE 超越或匹配了十二个最先进的图分类算法。

Nov, 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

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

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

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

提出了一种新的自适应基于核的表示（AKBR）模型，通过引入特征通道注意机制捕捉原始图形的不同子结构不变量之间的相互依赖关系，从而有效地将更重要的子结构的结构关注率指定的成对图形之间的 R 卷积核计算为数据输入 softmax 层的 AKBR 模型。实验结果表明，所提出的 AKBR 模型在标准图形基准测试上优于现有的最先进的图形核和深度学习方法。

Mar, 2024