介绍了一种名为图结构和积网络的概率方法，可用于机器人领域的结构预测问题，演示了该方法如何通过处理机器人在大规模办公空间中的嘈杂拓扑关系来提高关于语义概念描述的推断，并显示 GraphSPNs 始终优于传统基于无向图模型的方法。
Sep, 2017
本文提出了一种基于神经网络的结构化预测能量网络方法，使用经过训练的神经网络来进行结构化 argmax 推理，同时开发了大边界训练准则以实现对能量函数和推理网络的联合训练。在多标签分类和序列标注等任务中，该方法能够在保持或提高准确性的同时大幅提升推理速度。
Mar, 2018
本论文提出了一种灵活的结构化预测框架 — 结构化预测能量网络（SPEN），通过使用一个深层架构来定义候选标签的能量函数，使用反向传播来迭代地优化标签的能量，从而进行预测。该框架能够捕捉标签之间的依赖关系，以及自动学习结构化输出的有区别特征，可以应用于多标签分类等问题，展现出卓越的性能，提供了有关前向和迭代结构化预测之间的基本权衡。
Nov, 2015
本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
本文介绍了一种名为图感知积 - 和网络 (Graph-Induced Sum-Product Networks, GSPN) 的新的概率图形学习框架，它可以有迹可循地回答概率性问题。本模型与传统的神经网络模型的计算图有异曲同工之妙，因此在深度图网络方面具有优越性，同时具有一种纯概率模型的额外优势。通过定量实验和定性分析，证明了此模型在应对缺乏监督数据、处理缺失数据和图像分类等方面的竞争优势。
May, 2023
本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。
May, 2021
本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
文章介绍了一种使用截断随机搜索来训练结构化预测能量网络（SPENs）的方法，以达到在无标记训练数据的情况下有效监督和提高性能的目的。通过使用简单易得的人类知识或不可微分的流水线来组装标量奖励函数，并使用快速的截断随机搜索来有效地搜索输出空间产生局部优化，以避免使用标记训练数据。SPENs 提供了高效的测试时间推理，并在结构化预测中产生先进的结果。
Dec, 2018
本文提出了一种基于自然语言处理技术的图分类方法，使用结构信息嵌入，采用类似于 NLP 的证明技术，对几个标准分子数据集进行了实验，取得了最先进的分类结果，并对节点预测是否有助于更好地分类图进行了定性分析。
Feb, 2019
SPINE 是一种具有归纳性的网络嵌入方法，可以同时捕捉节点之间的局部距离和任意距离的结构信息，并能够有效地处理未见节点。该方法在基准数据集上取得了超越现有技术的结果。
Feb, 2018