GraphOpt 是一种结构形成的图形优化框架，采用最大熵反强化学习算法以及具有可扩展性的连续潜在行动空间，学习隐含的图形目标函数来解释所观察到的图形属性，并在未经训练的情况下实现竞争性链接预测性能。

Jul, 2020

本文介绍一种在高斯图形模型中提取结构变化的有效学习策略，运用基于 l1 正则化的凸优化解决该问题，并通过块坐标下降算法实现该策略。在此基础上，我们将其应用于不同条件下的基因调控网络模拟，并获得了有前途但切合生物学的结果。

Mar, 2012

本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

Jun, 2016

介绍了优化机器学习问题的几种新方法，包括针对有限和图结构目标的优化方法，其中包括针对固定结构的参数学习、结构学习和同时学习等方法。

Oct, 2015

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

本文提出一种方法在深度神经网络训练期间同时优化网络结构和权重参数的概率分布，可用于解决多种网络结构优化问题，包括层次选择、单元类型选择和连接选择，实验结果表明该方法能够找到适当且具有竞争力的网络结构。

Jan, 2018

提出差分可伸展树（DST）模型，基于学习知识网络将离散化化学结构转化为局部可微分的结构，并通过图神经网络（GNN）反向传播导数，实现了化学图结构的基于梯度的优化，且优化结果具有有效性和样本效率，并且学习到的图形参数可以提供有助于领域专家理解模型输出的解释。

Sep, 2021

本文提出了一种新颖的框架，将基于模型的诊断与深度图结构学习的概念相结合。通过利用数据学习系统的底层结构和提供动态观察，该方法实现了图结构学习与基于模型的诊断的无缝集成，并通过在耦合振荡器系统上的实验证明了其数据驱动诊断方法的潜力。

Aug, 2023

本文提出了一种新颖的深度结构生成模型，它基于随机与或图来编码场景的结构，并引入了检测网络来推断图像中的场景结构。实验结果表明，该方法不仅能够建模内在结构，还可以生成逼真的图像。

Jul, 2018

数据驱动设计正在广泛应用于蛋白质、小分子和材料工程等领域。然而，设计目标需要进入超出模型训练范围的设计空间， 因此需要针对式样寻找新的候选设计。本文提出了一种自动对焦方法来调整回归模型，以适应训练范围之外的新式样，从而更好地实现数据驱动设计目标。

Jun, 2020