我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。

Dec, 2017

本文提出根据图的结构和节点属性对其进行分类的方法，使用图信号处理中的频谱特征派生两种高斯过程模型进行图分类 —— 第一种，基于图谱频谱能量信号分布的频谱特征；第二种，旨在捕捉图中多尺度和局部的模式，通过学习谱图小波滤波器来获得更好的性能。最后，表明二者均产生良好的不确定度估计，可以基于模型预测进行可靠的决策。

Jun, 2023

该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

Jul, 2020

提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。

Oct, 2018

StreamSpot 是一种基于聚类的异常检测方法，可以在消耗有限的内存的同时，实时对包含不同节点和边的杂乱图形流进行检测，并可处理超过每秒 100K 条边的数据流。该方法具有良好的性能，并且可以处理从正常浏览器活动到各种攻击情况的各种情况。

Feb, 2016

本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于 Haar 散射变换，该变换能够计算出不变的信号描述符，并通过深度级联计算正交 Haar 小波变换来实现。此外，本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类在样本集上进行了测试。

Jun, 2014

本文提出了一种灵活的图节点特征分布描述方法，即特征函数，并引入了计算 FEATHER 算法。该算法定义了特征函数的概率权重，以表示随机游走的转移概率。实验显示，该算法可用于节点级别机器学习和图分类算法的特征提取，并且在数据上的鲁棒性良好。本文还定义了基于特征函数的参数化模型，并在真实数据集上展示了该算法优越性能。

May, 2020

现有动态图分类方法要么将图内核扩展到时间域，要么使用图神经网络 (GNNs)。然而，当前基准存在可扩展性问题，不能处理变化的节点集，或者不考虑边权重信息。我们提出了滤波表面，一种具有可扩展性和灵活性的新方法，以缓解上述限制。我们在基于边权重信息的数据集上实验证实了模型的有效性，并展示滤波表面在性能上胜过先前的最优方法。我们的方法要么是完全无参数的，要么最多只有一个参数，并且产生最低的总体标准差。

Sep, 2023

本文研究如何在图形信号处理领域中利用字典设计和变换方法来识别和利用加权图中信号的结构。通过定义广义卷积、平移和调制运算符等，我们实现了窗口傅里叶分析的图形处理方法，在任何未指定方向、连接、加权的图上对信号进行分析。

Jul, 2013

该研究通过在基于最小描述长度原则的基础上，引入概率隐变量模型的分层结构，设计了参数化摘要图，以解决图摘要压缩率与变化检测准确性之间的平衡问题，并通过理论框架和实证分析证明了其有效性。

Nov, 2023