本文使用流形正则化的概念开发了新的正则化技术，以训练具有局部稳定性的深度神经网络；我们的正则化器基于图拉普拉斯矩阵的稀疏化，当数据在高维空间中稀疏时，能够高概率地保持；经验证明，我们的网络表现出稳定性，并能够在不同的扰动模型下经受良好的检验；此外，我们的技术高效，并且与网络的额外两个并行前向传递的开销相当。

Mar, 2020

在图神经网络中，传统的图拉普拉斯正则化对现有 GNN 的性能提升不大，提出了一种名叫 P-reg 的图拉普拉斯正则化变体，可以有效增加信息熵，提升现有 GNN 模型在节点级和图级任务上的性能。

Sep, 2020

本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

Sep, 2018

本文研究了图卷积神经网络在半监督学习环境下的算法稳定性及其一阶推论；通过分析单层 GCNN 模型的稳定性，导出其一般化保证，提出稳定性关于其卷积核最大绝对特征值的依赖规律，并说明产生保证所需的卷积核最大特征值与图大小无关，为设计保证的算法稳定性的新型及更好的卷积核提供新思路。最后在多个真实世界的图数据集上评估了实验结果，实验结果支持理论结果。

May, 2019

以 $L_p$-Laplacian 正则化为基础的半监督学习算法采用 $d$ 维几何随机图模型给出了理论推导，证明了当 $N$ 趋于无穷大而 $n$ 保持不变时， 估计函数的性能，证明了在 $P$ 的敏感度和置信度之间存在权衡，表明选择 $p = d +1$ 是最优的选择。

Mar, 2016

本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题，通过导出了一个新的界限，明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异，该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。在此基础上，我们定量地描述了特定边的扰动对网络稳定性的影响，并利用小扰动分析工具来以闭合但近似的形式表达界限，以提高结果的解释性，而无需计算任何扰动移位运算符。最后，我们对所提出的界限的有效性进行了数值评估。

Dec, 2023

本文通过动态稳定性的角度研究了随机梯度下降法（SGD）的隐式正则化，并探讨了稳定的最小值对二层 ReLU 神经网络和对角线线性网络的广义性能影响，发现 SGD 的稳定性正则化较于 GD 更强，LR 越大效果越明显，解释了为什么 SGD 比 GD 更具普适性。

May, 2023

本研究通过对随机图模型的分析，研究了图卷积网络（GCN）的性质，包括 GCN 达到其连续对应的收敛性以及 GCN 对随机图小变形的稳定性，这有助于解释卷积表示在欧几里得域中成功的原因。

Jun, 2020

本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

Nov, 2021

探索了超图结构在不包含显式结构信息的点云数据插值中的优势，并证明了超图 $p$-Laplacian 正则化与连续型 $p$-Laplacian 正则化的变分一致性，利用随机原始 - 对偶混合梯度算法解决了凸但不可微的大规模优化问题，并通过数值实验验证了超图 $p$-Laplacian 正则化相对于图 $p$-Laplacian 正则化在防止标记点处出现尖峰的效果更好。

May, 2024