提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。

Sep, 2018

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

图神经网络通过以各种方式聚合邻域信息来学习图中节点的表示，然而随着网络深度的增加，其感受野会呈指数增长，导致内存开销过大。为了解决图神经网络的内存问题，图采样通过在图中对节点进行采样，从而使得图神经网络能够适应更大规模的图。本文引入了 GRAPES 这一自适应图采样方法，通过学习识别用于训练图神经网络分类器的有影响力的节点集合，并利用 GFlowNet 学习节点采样概率。我们在多个小规模和大规模图数据集上评估了 GRAPES 方法，并展示了其在准确性和可扩展性方面的有效性。与现有的采样方法相比，GRAPES 方法即使在样本规模较小的情况下仍能保持高准确性，因此可以适用于非常大的图。我们的代码公开在此 https URL。

Oct, 2023

本研究介绍了一种名为 GraKeL 的 Python 图核心库，该库将多个不同的图核心融合为一个通用框架，可与 scikit-learn 模块结合使用，构建完整的机器学习管道来实现图分类和聚类等任务。

Jun, 2018

本文系统总结了图采样的目标和方法，并对其关系进行了形式化论证，提供了将理论分析与实际应用桥接的通用框架。通过研究哪些图属性在采样过程中得以保留，展现了一种构造高效估算器的方法，并可以加速一类图算法的实现。此外，文章还讨论了一些高级属性，同时指出了该领域中尚有许多未被探索的问题及未来的研究方向。

Aug, 2013

提出了一种基于图信号采样理论的离线池式主动半监督学习框架，该框架使用节点选择来最大化从采样集重构信号的频率，以解决有限的已标记数据但有大量未标记数据的问题。

May, 2014

本论文提出了一种新颖的构建图的生成模型的方法，该方法使用了进化搜索和图神经网络实现了强大的适应度函数，从而在一定程度上实现了深度生成模型所不具备的优点，如更高的泛化能力和直接的可解释性。

Apr, 2023

本文提出了一个网络抽样的框架，此框架能从静态到流式的完整的计算模型范围内，基于图诱导设计了一系列通用的采样方法，并证明此系列采样方法可以更准确地保留输入图的拓扑特性，研究了网络采样算法对关系分类算法参数估计和性能评估的影响。

Nov, 2012

本文提出了一种新的基于数据驱动采样策略，通过非线性回归来确定一个邻域的实值重要性，并使用该值作为采样标准，实验表明基于值的强化学习方法能够提高 GraphSAGE 的性能。

Apr, 2019

该论文介绍了一个名为 NextDoor 的系统，该系统使用称为 transit-parallelism 的新方法，在 GPU 上高效执行图形采样，并比现有系统运行得更快，该系统提供给终端用户撰写各种图形采样算法的高级抽象。

Sep, 2020