高效学习图形进行半监督学习
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
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
本文介绍了一种新的成本函数来进行神经网络的半监督学习，该函数通过动态创建一个图形来捕获特征空间中的潜在结构，并使用标签传播来估计其高和低密度区域，最终利用马尔科夫链设计出一种成本函数，以形成每类一个单一的紧凑簇，同时在优化过程中避免扰乱现有的簇，该方法在三个基准测试中表现良好，将基于图形的正则化的优点与高效的归纳推理相结合，不需要修改网络架构，可以轻松应用于现有网络，实现对未标记数据的有效利用。
Jun, 2018
该研究介绍了一种可以在并行或分布式设置中利用的计算效率高和随机图正则化技术，以进行深度神经网络的半监督训练，这种技术基于亲和图的合成分区进行随机梯度下降的小批量构建，证明我们的方法可以让基于图表的半监督损失函数分解成目标求和，从而方便可扩展的机器学习模型训练。实证结果显示，相比完全监督情况，当标记数据比例较低时，我们的方法显著提高了分类准确性，并在并行情况下实现了显著的收敛时间加速。
Dec, 2016
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
提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。
Sep, 2018
通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。
Jun, 2024
本文提出了一种适用于深度卷积神经网络的在线构建图形的半监督学习算法，以利用未标记数据提高监督学习的泛化能力。与传统的半监督学习方法相比，我们的方法使用基于网格输出的动态构建图形来更新网络，获得更好的效果。
Nov, 2015
本文提出了一种新的并行图学习框架 (PG-learn)，具有基于梯度的优化边缘权重和自适应资源分配方案的并行超参数搜索算法，能显著提高图构建的准确性和高效扩展到高维问题。
Sep, 2019