本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

提出了一种基于图滤波器的半监督学习框架，能够将数据特征作为图信号注入图相似性中，并使用低通滤波器从图信号中抽取有用的数据表示，从而实现标签高效的半监督学习，同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。

Jan, 2019

该研究提出了一种基于图驱动的无监督特征选择方法 BMGUFS，首先构建一个块模型用于发现特征空间中实例的高阶关系，然后根据块模型找到合适子集特征以达到聚类性能最优。

Jul, 2020

在医疗保健等高风险领域中，可以理解模型预测原理同实现高预测准确性一样重要的可解释机器学习已成为利用人工智能的核心。本研究引入了从非监督随机森林构建特征图的新方法和通过这些图派生有效特征组合的特征选择策略，通过在整个数据集和个别聚类上构造特征图，利用树中的父子节点分割，使特征的重要性与聚类任务相关，同时边权重反映特征对的判别能力，从而广泛评估了基于图的特征选择方法在合成和基准数据集上降低维度、改善聚类性能和增强模型可解释性的能力。对于疾病亚类型鉴定的组学数据应用，确定了每个聚类的顶级特征，展示了提出方法在聚类分析中提高解释性和在现实世界的生物医学应用中的实用性。

Apr, 2024

使用拓扑学工具进行无监督数据表示和可视化是拓扑数据分析和数据科学领域中一个活跃且快速发展的研究方向。本研究提出了一种优化方案，通过对 Mapper 图的筛选器进行参数调优，构建了更加优化的数据表示，其收敛性质也得到了研究。实验证明，该方法在多个数据集上优于任意其他表示方法。

Feb, 2024

本文提出基于可学习拓扑特征的系统发育推断结构表示方法，通过结合最小化狄利克雷能量的原始节点特征和现代图表示学习技术，该方法可提供高效的系统发育树结构信息，可自动适应不同的下游任务。在模拟数据和具有挑战性的实际数据上进行验证和评估。

Feb, 2023

我们提出了一种新颖的自适应图池化方法，它通过同时考虑图的结构和特征信息来构建合理的池化图拓扑，从而提高节点选择的准确性和客观性；并在丢弃无关节点之前聚合节点特征信息，以使选定的节点包含来自邻居节点的信息，从而增强未被选定节点的特征利用。实验结果表明，我们的方法在图分类方面有效，胜过现有最先进的图池化方法。

Jan, 2020

该研究提出了一种基于特征的新方法来进行网络分类，通过在网络上的动态特征进行分类，并在人类大脑网络上进行了实证研究，结果表明该方法具有优异的性能。

May, 2017

我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。

Jun, 2024

本文提出了一种基于概率潜变量图的鲁棒性特征选择算法，它通过将特征子集视为图上的路径，在考虑所有特征子集的同时执行排名步骤，并将相关性建模为 PLSA 启发式生成过程中的潜在变量。实验表明，该方法在许多不同的场景和难度下都可获得最高性能水平，并在特征选择领域设定了一个新的最佳状态。

Jul, 2017