异构关系核学习
本文提出了一种新的相似性学习框架，通过最小化核矩阵的重构误差，而不是现有的重构数据的误差，来提取相似性信息，并在聚类任务中展示了明显的改进，而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。
Mar, 2019
基于异构转换的内核固有不变量测量（KIIM-HT）提出了一种基于 RKHS 嵌入的新型评分测量方法，以提取条件密度的相关高阶矩以用于因果关系的发现。
Jan, 2024
该文介绍了一种基于希尔伯特空间嵌入的分布表征方法，该方法利用再生核希尔伯特空间将分布映射到一个空间中，并扩展了一般支持向量机和其他核方法的整个内核方法库，为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用，并讨论了该方法的理论保证，应用和未来的研究方向。
May, 2016
论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。
Oct, 2020
本文介绍了一种基于核的分类器，通过将核矩阵视为广义图，并利用图嵌入技术的最新进展，提出了一种新的核矩阵嵌入方法，能够快速且可扩展地进行嵌入，无缝地整合多个核以增强学习过程。通过随机变量，我们对该方法进行了人群级别的理论分析。在实证方面，我们的方法在各种模拟和真实数据集上表现出优越的运行时间，与支持向量机和两层神经网络等标准方法相比，实现了可比较的分类准确性。
Jun, 2024
调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。
Oct, 2021
通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。
Jan, 2019
提出了一种新颖的核谱方法，用于在捕捉非线性结构、考虑噪音和高维度效应、适应信号和样本大小不平衡以及结果解释困难等方面，实现两个独立观测的高维噪音数据集的联合嵌入，从而获得低维嵌入，可用于聚类、数据可视化和降噪等下游任务。
May, 2024