在该论文中，提出了一种新颖的图形增强策略，该策略在非欧几里得空间中操作，通过使用图数学模型对网络序列的生成机制进行建模，提高了图分类模型的性能。此外，使用非欧几里得距离，特别是 Gromow-Wasserstein 距离，可以更好地逼近图形模型。该框架还提供了一种验证不同图形模型估计方法的手段，特别适用于真实世界场景中真实图形模型未知的情况。

Apr, 2024

提出了一个可扩展的 Gromov-Wasserstein 学习（S-GWL）方法，用于大规模图分析，通过学习多个观察到的图的 Gromov-Wasserstein 重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取得了平衡。

May, 2019

本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型，可用于关系图的聚类。

Nov, 2019

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

该论文提出一种基于 Gromov-Wasserstein 方法的图对齐及嵌入学习框架，通过学习最优传输距离完成图的对齐，以及标记距离来引导嵌入向量的学习，并通过结构正则化减小 Gromov-Wasserstein 距离，使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。

Jan, 2019

通过引入随机算法，该研究提出了一种计算连续分布的 Wasserstein 重心的有效在线算法，该算法基于优化输运理论和 Wasserstein 重心，并使用其对偶势隐式地参数化了该问题。

Aug, 2020

该论文提出了一种计算高效的方法，基于随机分块模型（SBA）对图形进行建模，对观察到的网络数据进行了一致的估计图谱，估计误差随着图形大小的增加而消失.

Nov, 2013

本文研究了一种计算具有有限第二矩的概率测度空间上概率分布 $P$ 的重心的一阶方法，并开发了一个框架，来推导梯度下降和随机梯度下降的全局收敛率，尽管重心泛函并不是测地凸的。

Jan, 2020

本文研究了一种估计潜在变量下矩阵条件期望的方法 —— 使用图函数。通过对分段常数和 H"older 连续图函数的研究，提出最小二乘估计量和指数加权聚合的有限样本风险界。另提出使用 Lloyd 的交替最小化算法来近似该估计量。在合成数据集上进行的数值实验表明了该图函数估计器的良好性能。

Apr, 2023

本文通过随机算法来计算具有 Wasserstein 距离下的一组概率分布的重心，该方法不同于以往的方法，可以适用于连续输入分布，并允许在每个迭代中调整重心的支持，该算法能够恢复出一个锐利的输出，其支持集合包含在真实重心的支持集合内，并能在一些例子中恢复出比以前更有意义的重心。该方法具有广泛的适用性，可扩展到生成给定分布的超级样本和恢复蓝噪声近似等应用。

Feb, 2018