描述和演示了一个新的、混合方法，结合了对潜在特征的手动选择与现有的自动分类方法，并使用随机森林等方法进行分类，该方法在特征共线性存在时具有特别的实用性，实现了更高的准确性、更短的计算时间和更大的网络分类结果的可解释性。

Oct, 2016

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

Jun, 2023

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

本文提出了一种新的方法，用于可视化和理解神经网络输出层之前的向量空间，旨在揭示分类任务下的深层特征向量属性，特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响，并对其进行了真实应用场景的评估，证明了其突出性能优势。

Jun, 2020

本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

Jan, 2023

本文提出了一种名为 FsNet 的 DNN 基于非线性特征选择方法，针对高维度和小样本数据。实验结果显示，该方法在多个真实的生物数据集上表现出较高的有效性。

Jan, 2020

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

本文利用深层多通道卷积神经网络分析了线性特征提取，展示了深度学习在传统线性变换如傅立叶、小波和冗余字典编码方法之上的优越性，并提出了一种有效的线性特征提取构造方法。同时，研究了采用通道实现深度网络较低的实质维数的函数逼近速率，因子化线性特征为多分辨率卷积的谐波分析在本研究中具有重要作用。此外，文章还构建了一种矩阵的专用向量化，桥接了一维 CNN 和二维 CNN，并允许我们进行相应的二维分析。

Oct, 2022

本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在 GNNs 中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的 GNNs 以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用 GNNs 的相关研究。

Mar, 2020