本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

提出一种基于自我监督学习的图形表示学习框架 (Graph Barlow Twins)，采用基于互相关的损失函数，不需要负样本，并且不依赖于非对称神经网络结构 (BGRL)，能够在短时间内实现与最佳自我监督方法和完全监督方法相媲美的结果。

Jun, 2021

本研究将 Barlow Twins 方法的算法设计与 Hilbert-Schmidt 独立准则（HSIC）联系起来，并将其作为一种不需要负样本的对比学习方法，通过这个视角，我们认为 Barlow Twins 提出了一种可能性，即将自监督学习思想的两大流派：非对比和对比方法结合起来，这在避免与非对比方法一样需要大型训练批次和负样本配对以及避免对比方法的对称网络设计等方面发挥了最佳实践的优势。

Apr, 2021

通过引入线性插值样本，Mixed Barlow Twins 旨在改善 Barlow Twins 训练过程中的样本交互，从而有效减轻特征过拟合问题并进一步提高 CIFAR-10、CIFAR-100、TinyImageNet、STL-10 和 ImageNet 数据集的下游任务性能。

Dec, 2023

提出了一种名为 Barlow Twins 的自监督学习方法，通过在两个相同的网络中输入扭曲版本的样本并测量它们输出的相关性矩阵，使嵌入向量在保持相似性的同时最小化它们之间的冗余。该方法在低数据范围内的半监督分类上优于以前的方法，并对于使用线性分类器头部的 ImageNet 分类和分类与目标检测的转移任务与当前最先进的方法相媲美。

Mar, 2021

对于图聚类问题，现有的图神经网络方法很难取得进展，同时大多数聚类方法只关注同质图而忽视异质图，限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案，通过邻居信息对同质性和异质性边进行识别，并构建高同质性和高异质性的图，用于构建低通滤波器和高通滤波器以捕获综合信息，并通过压缩 - 激励块增强重要特征，实验证明本方法在同质图和异质图上优于现有聚类方法。

Mar, 2024

提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

Jan, 2024

本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

Jan, 2011

基于非负矩阵分解的概率模型统一了节点聚类和图简化，提供了建模任意图结构的框架。通过将硬聚类放松为软聚类，我们的算法将潜在的困难聚类问题转化为易处理的问题。

Aug, 2023

本文介绍了一种基于图形的无监督特征选择技术，该技术利用拓扑受限网络表示的威力，使用和弦图来建模特征之间的依赖结构，通过研究它们在网络内的相对位置来最大化特征相关性的可能性，并在不同应用领域的 16 个基准数据集上测试我们的算法，结果表明我们的算法在异构评估条件下优于或与最新技术水平相匹配。该方法在可调性，可解释性和计算成本方面展现出较高的优越性。

Feb, 2023