粗图上的 $ζ$-优美标号
本文介绍了一种名为hash graph kernels的方法，可以将离散标签的图形核扩展到包含连续属性的图。该方法通过随机的哈希函数将连续属性迭代地转换成离散标签，并在Weisfeiler-Lehman子树核和最短路径核的基础上展示了其优越性能和扩展性。
Oct, 2016
使用基于图拉普拉斯的节点签名以及边的点对热核映射来构建一种在锚节点已知的情况下，用于权重图匹配的距离度量方法，并使用整数二次规划法确定最优匹配。实验结果表明，该方法在随机生成的图和两个广泛使用的图像序列上具有优异的性能。
Apr, 2018
提出了一种基于随机游走的灵活的超图数据聚类框架，该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重，我们说明了如何构建不同的超图拉普拉斯矩阵，并针对多个真实应用程序中的数据集进行了比较试验，结果表明该方法产生了更高质量的聚类结果。
Jun, 2020
本文提出了通过粗糙集近似度函数构建粗糙图的新方法，以便识别具有不精确和不确定信息的对象之间的模式，同时探讨了粗糙图在其结构的各个阶段中的操作和属性。
May, 2022
提出了基于逐步Weisfeiler-Lehman随机游走方案（PWLR）的持久化算法，通过规范化的Weisfeiler-Lehman程序、图上随机游走和持久化同调等方法，将图的局部拓扑特征、节点度和全局拓扑不变量等特征结合起来，生成可解释的低维表示，该算法可以高效地分类带有离散或连续节点特征的图形，并取得可比较的结果。
Aug, 2022
提出了一种灵活的超图1-Laplacian定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图1-Laplacian的第二个最小特征向量进行聚类，可以实现比传统Laplacian更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图1-Laplacian等效于相关图的1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。
Apr, 2023
本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决MOGC问题，并在七个真实数据集上的实验结果证明了MOGC的有效性。
May, 2024