本文介绍了一种基于 Wasserstein 距离和 Weisfeiler-Lehman embedding 的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

Jun, 2019

该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决 k-cut 图分割问题的新方法，比当前最先进的 GWL 技术在真实世界网络上表现更佳。

Jun, 2020

本文提出一种基于 Weisfeiler-Leman 算法和神经网络架构的图核方法，能够处理高阶交互，同时具有表达能力、可扩展性和防止过拟合等优点。实验表明，与原算法相比，局部算法（包括核和神经体系结构）具有快速计算时间和防止过拟合的优势，并且在多个基准数据集上实现了最新的图分类技术成果，同时展现了在大规模分子回归任务上的性能。

Apr, 2019

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

本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中，以优化其在图结构数据上的预测表现，并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法，通过这些基于图的协方差矩阵，与相应的图神经网络相比，具有相似的分类和回归性能以及计算时间上的优势。

Feb, 2023

使用广义 Radon 变换定义了一类新的概率测度距离，称为广义 sliced-Wasserstein (GSW) 距离，并给出 GSW 和 max-GSW 距离是否为距离的条件；并在几个生成建模任务中比较了所提出距离的数值性能。

Feb, 2019

本文提出了一种新的 persistence diagrams 的核函数，基于 Sliced Wasserstein approximation 方法，不仅具有稳定性，而且排斥性高，实用性强，并在多项基准测试中得到了验证。

Jun, 2017

该论文提出了一种基于物理学的图结构核心，用于使用高斯过程（GP）进行电力流学习。该核心名为顶点度核心（VDK），它依赖于基于网络图或拓扑的电压注入关系的潜在分解。此外，还提出了一种新的网络滑动主动学习方案，以智能地选择顺序输入来加速 VDK 的学习。模拟实验表明，所提出的 VDK-GP 与中等规模的 500-Bus 和大规模的 1354-Bus 电力系统相比，样本复杂性减少了两倍以上。此外，该论文证明了该方法在分布转移测试数据集上的不确定性量化应用中的性能。

Aug, 2023

该论文介绍了一种称为广义 Wasserstein 梯度下降（GWG）的粒子变分推断方法框架，基于 KL 散度的广义 Wasserstein 梯度流，可视为具有更广泛正则化器类的函数梯度方法，展示了 GWG 具有强大的收敛性保证，通过实验证明了该框架在模拟和真实数据问题上的有效性和高效性。

Oct, 2023

本文提出了一种基于 Sliced-Wasserstein Flow 的生成模型，即 Conditional Sliced-Wasserstein Flow（CSWF），可以进行非参数条件建模，并引入视觉研究中的局部联通性和多尺度表示两种技术，大大提高了图像建模的效率和质量，使其在纯非参数的情况下实现了与许多深度参数化生成模型相当的生成性能。

May, 2023