本研究提出了一种新型的节点嵌入方法，通过全局最小化成对相对熵和非线性的图地理路径，将每个节点编码为测量空间上的概率密度函数，并研究了其几何性质和有效的学习过程，实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下在各种评估指标上表现出色。

May, 2019

Graph Entropy Minimization is a novel semi-supervised learning method that utilizes one-hop aggregation to resolve prediction errors, training resources, and inference latency, making it a practical choice for industrial-level tasks with resource-constraint hardware.

May, 2023

本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

May, 2018

提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

Mar, 2022

通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。

Aug, 2022

通过开发解释节点嵌入维度的人类可理解的解释，我们提出了一种新方法，用于改进现有的节点嵌入模型的解释性，同时保持其在链接预测方面的有效性。

Oct, 2023

本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

Mar, 2023

研究论文通过分析图中的节点嵌入算法和人可理解的图特征的关系，提出了一种叫做 XM 的新框架，该框架通过最小化核范数来生成能够解释的嵌入，既保持了现有节点嵌入方法的性能，又增强了其可解释性。

Jun, 2024

本文介绍了一种名为 HISEvent 的框架，通过构建信息更丰富的消息图，在保留图神经网络方法优点的同时，无监督地进行社交事件检测，并克服了现有结构熵最小化算法的效率问题。实验证明，HISEvent 在封闭集和开放集环境下持续优于基于图神经网络的方法，在高效和稳健性方面取得了最新的 SOTA 社交事件检测结果。

Dec, 2023

在本研究中，我们理论上证明了数据集的熵可以通过在图的不同视图之间最大化互信息的下界来近似计算，即熵由神经网络估计。基于这一发现，我们提出了一种简单而有效的子集采样策略，以对数据集的视图之间进行配对表示的对比，我们通过从给定图中随机采样节点和边，构建输入子集用于视图。然后，两个视图输入到一个参数共享的 Siamese 网络中，用于提取高维嵌入并估计整个图的信息熵。我们通过同时使用两个目标来优化网络的学习过程，其中对比损失函数的输入包括正例和负例对。我们的对比选择策略与以前的方法不同，并根据视图间的相似性选择节点来增强图编码器的表示能力。我们通过在相似性得分的指导下选择高度相似的样本和完全不同的数据来丰富正例和负例对的多样性。我们还引入了一个跨视图一致性约束，以保证从整个图的角度来看，所学到的表示在不同视图之间是一致的。我们在七个图形基准上进行了大量实验证明，所提出的方法在性能上与当前最先进的方法相当。本文一旦被接受将公开发布源代码。

Jul, 2023