用于稀疏标记数据分类的持久性拉普拉斯增强算法
本研究探讨了半监督学习中的回归问题，以随机几何图形模拟数据几何结构，将离散的$p$-拉普拉斯正则化纳入模型，研究了无标记点数增加时渐近表现的性质，发现模型存在收敛性限制，提出了一个简单的模型来解决这一限制。
Jul, 2017
本文介绍了一种针对大数据量下半监督学习中图拉普拉斯方法性能下降问题的解决方案，通过正确设置拉普拉斯正则化的权重使得估计器在大样本情况下保持良好状态，并证明了其收敛性，最终实现连续达到标记值的问题平滑解，且方法实现快捷简便。
Oct, 2018
本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
本文研究了基于图的半监督学习问题，探讨了标签带有小噪声和无标签数据集有良好聚类性质时，优化技术的一致性，分析了基于图的Probit算法和应用One-Hot编码的多类分类方法的优化目标函数，通过一致性分析阐明了定义优化所需的理性函数选择。
Jun, 2019
本文基于拓扑数据分析 (Topological Data Analysis,TDA) 技术提出了两种半监督学习方法，一种基于骨架結构和水斗距离，另一种考虑数据的连通性， 并将其应用于三个综合数据集和七个各色各样的结构体和图像数据集，实验结果表明，这些半监督方法能够有效地提高数据分类准确性达到16%。
May, 2022
该研究论文提出了一种基于图的半监督学习的非凸泛化解决方案，通过使用Laplacian特征向量解决了低标签率下标准算法退化的问题，并通过选择信息样本实现了较低的分类错误率。
Jul, 2023
使用扩展持久性技术将全局拓扑信息融入图分类的监督学习框架中，通过可导的读出函数计算扩展持久性获取全局拓扑信息；使用链剪树数据结构和并行计算降低计算复杂度，使扩展持久性在机器学习中具备可行性。研究结果表明，在特定条件下，扩展持久性在表达能力上超越了WL图同构测试和0维条形码，因为它提供更多的全局（拓扑）信息，并能表示任意长的循环。此外，通过与现有的图表示学习方法进行比较，验证了我们方法在真实数据集上的有效性。
Jun, 2024
本研究解决了半监督学习中标签稀缺和类别不平衡的问题，提出了一种利用无限Laplacian性质进行标签传播的新框架。该方法在多个基准数据集上的实验验证中，显示出比现有方法更高的分类准确性，并在有限标签数据的场景中高效地传播标签。
Nov, 2024