通过利用 Laplacian 约束的高斯图模型解决网络拓扑推断问题，我们将任务重塑为估计一个图拉普拉斯形式的精度矩阵。通过在此模型中检验广泛使用的 l₁范数的局限性，我们发现正则化参数的增大会导致解中非零条目的数量增加，理论上，大的正则化参数会导致完全连接（最密）的图。为了克服这些挑战，我们提出了一种图拉普拉斯估计方法，结合了 l₀范数约束。我们开发了一个高效的梯度投影算法来解决由稀疏性和拉普拉斯约束所特征化的优化问题。通过对合成和金融时间序列数据集进行数值实验证明了所提方法在网络拓扑推断中的有效性。
Sep, 2023
我们提出了一种学习基于乘积谱模板的高维图来替代直接从高维度图信号学习的方法，以减少计算负担。 与当前方法相比，我们的方法可以学习所有类型的乘积图，具有更少的参数，并在实验上得到了证明。
Nov, 2022
本文提出了一种基于图的拓扑推理和图权重估计的方法来解决逆协方差估计问题，其中图的拓扑使用拓扑推理步骤来推断，估计的图权重受到该推理步骤找到的拓扑的约束。这种方法已在合成和纹理图像数据上取得了良好的结果。
May, 2017
本文提出了一种基于图拉普拉斯矩阵的谱性质与高斯图模型相结合的统一图学习框架，该算法能够有效地学习一大类图族的结构，并在大规模半监督和无监督的基于图的学习任务上进行实际的应用。
Sep, 2019
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。
Sep, 2018
该研究提出了一种基于图信号处理 (GSP) 框架的图学习方法，可以从平滑图信号到指数族噪声分布的各种数据类型对其进行建模，并通过交替算法估计图拉普拉斯和未观测到的平滑表示来处理图机器学习中的常见挑战，其性能优于其他方法。
Jun, 2023
本文提出一种基于特征图的方法来学习图信号的复原，通过最小化图拉普拉斯正则项以优化马氏距离矩阵的带权图，在 3D 点云去噪问题上的实验证明，相较于已有的方案，该算法具有最先进的性能。
Jul, 2019
本文提出一种基于 Riemannian geometry 和 product manifolds 的可微分图模块，用于推断连接数据的复杂潜在图结构。该方法不仅可以动态地学习数据的内在结构，还可以在性能上对现有方法进行改进并成功地在各种数据集上进行了测试。
本研究提出了一种基于高斯的卷积滤波器的框架 (GIC)，旨在解决非规则图的局部卷积滤波问题，之后在几个公共图分类数据集上验证了该方法的有效性和卓越的性能.
Nov, 2018
本文介绍了一种基于量子信息几何的图卷积网络模型，通过对图的扰动进行特征分解，找到一个有效的扰动方向以改进半监督节点分类任务性能，同时提出了三种不同的图形式学几何，从而提高对图神经网络的理解和发展新技术。
Mar, 2019