本文探讨了粗化对一般图的光谱特性的影响，发现主本征值和本征空间在新旧图拉普拉斯矩阵之间成立。研究结果可以应用于利用粗化的学习算法，尤其是在谱聚类中，该现象缺乏正式的验证。

Feb, 2018

提出了一个可扩展的Gromov-Wasserstein学习（S-GWL）方法，用于大规模图分析，通过学习多个观察到的图的Gromov-Wasserstein重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取得了平衡。

May, 2019

本文介绍了一种基于Wasserstein距离和Weisfeiler-Lehman embedding的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

Jun, 2019

本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型，可用于关系图的聚类。

Nov, 2019

该研究通过使用热核在Gromov-Wasserstein的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决k-cut图分割问题的新方法，比当前最先进的GWL技术在真实世界网络上表现更佳。

Jun, 2020

本研究提出了针对图学习的 Wasserstein Embedding 方法，并应用不同的机器学习模型来进行图预测任务，利用节点嵌入分布的相似度来定义图之间的相似性，并用 Wasserstein 距离度量两者之间的差异，不同于现有方法，避免了两两计算不同的图之间的距离，将计算复杂度从二次线性降至一次线性，并证明了该方法在各项基准图属性预测任务中具有优秀的分类表现及计算效率。

Jun, 2020

本文探讨使用Gromov-Wasserstein距离进行图像比较时所涉及的质量损失和计算效率问题，并提出了一种新的模糊Gromov-Wasserstein距离，以提高计算效率和准确度，同时在图形字典学习和分区学习等多个领域实现了优异表现。

Oct, 2021

对于机器学习中的许多应用而言，图的成对比较是关键，涉及到聚类、基于核的分类/回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示，例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的Gromov-Wasserstein距离的扩展，提出了距离和重心计算的新算法，并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。

Sep, 2023

图简化技术是一种应对大型图数据集复杂性和规模的有效方法，本调查研究对图稀疏化、图粗化和图凝聚等简化方法进行了全面概述，并阐述了它们在不同场景中的实际应用，为该领域的发展提供了技术综述和重要研究方向。

Jan, 2024

通过提出一种适用于粗化图的新的消息传递操作，我们在合成和真实数据上进行节点分类任务，并观察到与在粗化图上执行简单的消息传递相比，取得了改进的结果。

May, 2024