基于潜在图的生物医学表格数据半监督学习
介绍了一种基于图嵌入的半监督学习框架，重点研究了在图中联合预测类别标签和邻域上下文信息的方法，并在包括文本分类等多个基准任务上，相比已有的模型表现出了更好的性能。
Mar, 2016
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
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
本文使用图表征学习的方法来解决不同测量源所生成的多视图表格数据的无监督建模问题，并提出了一个基于数据驱动的方法，将特征集表示为图节点，通过可学习的边来表示它们之间的关系，并引入了一种新的分层图自编码器 LEGATO，学习一个小的潜在图来动态地汇集多个视图的信息，并采用定位信息来对输入进行建模，因此能更好地提高下游性能。
May, 2023
本研究提出了一种适用于生物医学领域、intrinsically interpretable 的神经网络框架，采用局部稀疏网络和 gating 网络实现对样本的 sample-specific sparsity 预测，减少了对小样本数据的过拟合，提高了模型的可解释性，并证明了该模型在生物预测任务中的优越性。
Jun, 2021
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
本文通过提出一种名为 GiG 的神经网络结构，并利用输入数据样本及其潜在关系的图表示，用于蛋白质分类和大脑成像应用。利用学习过程中 end-to-end 的参数化模型及潜在的连接结构，实现了在图样本内部以及跨样本的消息传递，并增加了度分布损失以帮助正则化预测的潜在关系结构。最后，所得到的潜在图能够表示患者群体模型或分子簇的网络，提供了在特定健康领域的解释性和知识发现价值。
Apr, 2022
一种支持多元时间序列预测的灵活模型，可以基于完全联通或双部分图推断时间序列之间的关系，提供高精度或高效率预测并降低时间和内存复杂度。在多个数据集中表现优于之前的图推断方法。
Mar, 2022
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