基于时间相关的谐波扩展学习标签初始化
本文提出一种基于时间变化图的节点聚类方法，其假设聚类标签在时间上平滑变化。采用基于谱聚类的优化问题公式来解决节点聚类问题，增加了标签平滑约束条件，然后采用原始双重分割算法来解决，实验结果表明，该方法是有效的。
May, 2023
该研究提出了一种名为 “Time-Vertex Signal Processing” 的框架，通过将时域信号处理技术与新的图信号处理工具相结合，旨在提高联合谐波分析的概念，并通过分析图上的简单偏微分方程的状态演变作为一种分析工具的形式，来处理高维非欧几里德数据，并证明该方法在多种应用中具有实际应用价值。
May, 2017
本文开发了一种在超图上扩散特征和标签的非线性扩散方法，通过超图结构进行扩散可以将其解释为超图平衡网络，并以此为节点内嵌，使用线性模型进行预测。该方法比几种超图神经网络更准确，训练时间也更短。
Mar, 2021
节点分类是属性图的核心任务之一，本论文提出了一种称为 DiffusAL 的新型主动图学习方法，通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本，显著提高了标记效率，相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。
Jul, 2023
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
本文提出了一种名为 LERP 的新方法解决 GraphHop 方法在分类节点时出现的两个缺陷，并在多个数据集上进行实验，表明 LERP 方法在极低标签率下表现最佳。
Apr, 2022
本文研究任意异质性情况下的图标签噪声问题，提出了一个简单而高效的算法 LP4GLN，通过迭代步骤恢复图的同质性、修正噪声标签，并选择高可信度标签进行下一次迭代，最终在节点分类任务中取得高准确率。
Oct, 2023
该研究旨在通过使用双分图表示患者和医生之间的关系，将患者和医生之间的相似性作为时间敏感预测模型的潜在表示方法，并对慢性淋巴细胞白血病患者进行治疗首次疗程的预测实验，结果表明与多个基线相比，和关系相似度能够提高预测准确率达到 5%。
Jul, 2019
本文提出了一种基于协同式图遍历的强化学习算法，Multi-Label-Graph-Walk，提高了节点嵌入的区分能力，在属性图中利用可用标签分配来调整节点表示，将多标签节点分类任务形式化为多个标签特定代理的同时图遍历，在合作方式中学习标签特定图遍历策略，捕捉节点标签与结构属性之间的关联以及多个标签特定分类任务之间的关联。综合实验研究表明，所提出的方法显著提高了多标签分类性能，实现了更高效的图形探索。
Oct, 2019