本研究提出了一种名为二进制分布式图形算法的方法，该方法使用二进制编码与图形结构相结合以加速在线和离线程序，并通过回忆更多二进制候选项来实现与实值场景中的性能相当，废除了单个机器内存和磁盘存储的限制，对超过 30 亿张图像的阿里巴巴商品数据集进行的实验比较表明，该方法优于现有技术的在线 / 离线平衡。

Feb, 2021

本文研究了聚合函数的区分能力，特别是在受限制的情况下，研究表明标准的求和和一种新的基于直方图的函数具有区分固定数量输入的能力。在此基础上，设计了一个图神经网络，旨在学习判别性图表示以实现泛化；实证评估证明了这些选择对结构图分类问题具有益处。

May, 2019

DFST 提出了一种基于实时选择本地和时间上有区别的特征的优化视觉跟踪算法，该算法嵌入了自适应颜色名称（CN）跟踪系统中的特征选择机制，同时采用无监督方法 “Infinite Feature Selection”（Inf-FS）来排名特征，通过使用快速在线算法来学习字典，实现了特征选择和跟踪的动态设置。

Sep, 2016

提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。

Oct, 2018

现有动态图分类方法要么将图内核扩展到时间域，要么使用图神经网络 (GNNs)。然而，当前基准存在可扩展性问题，不能处理变化的节点集，或者不考虑边权重信息。我们提出了滤波表面，一种具有可扩展性和灵活性的新方法，以缓解上述限制。我们在基于边权重信息的数据集上实验证实了模型的有效性，并展示滤波表面在性能上胜过先前的最优方法。我们的方法要么是完全无参数的，要么最多只有一个参数，并且产生最低的总体标准差。

Sep, 2023

本文提出了一种新的基于统计学方法的判别子图特征选择算法 DUG，采用了动态规划计算判别分数的概率分布，并提出了一种分支界限搜索算法以高效地找到判别子图特征。在多个神经影像应用程序上广泛实验，结果表明在识别用于图分类的判别子图特征时考虑结构性不确定性对性能提高有显著帮助。

Jan, 2013

本文介绍了一种新颖的超图分类算法，通过构建具有任意阶多项交互的超图，并采用超图种群来提高算法的性能和鲁棒性，在两个数据集上评估并证明了其相较于通用的随机森林分类算法具有良好的性能。

May, 2024

提出了一种基于图表示相似性的扫描统计学方法，适用于任何具有信息相似性度量的数据集，并提供了准确的分析逼近，用于检测和估计单个变化点和变化时间间隔，通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势，案例应用包括经典小说作者的确定和网络时间上变化的检测。

Sep, 2012

AUTOGM 是一种用于图挖掘算法开发的自动化系统，使用基于消息传递的各种图算法的统一框架 UNIFIEDGM 定义搜索空间，并使用 Bayesian 优化显式优化 UNIFIEDGM 的最佳参数集。解决了实践中存在的速度和准确度权衡问题，这为从实际数据中提取知识提供了一种新的方法。

Nov, 2020

本文研究在带权无向图中的二分查找问题，并给出了一个在查询顶点时几乎达到信息熵下界的算法，同时也探讨了该问题在不同情况下的复杂性。

Mar, 2015