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
本文提出一种新的分层偏序集解码范例，以促进语言的组合泛化能力，并在特定于组成性泛化的自然语言问答数据集上进行了实验。
Oct, 2020
本文提出一种概率模型，通过结合相互激励点过程与随机图模型来分析无法直接测量的潜在网络，利用 Poisson 重叠原理实现了优雅的辅助变量公式和完全的贝叶斯并行推理算法，并在多个数据集上进行了实证评估。
Feb, 2014
本文评述了最近一篇将特定形式的机器学习与集合论相关联的论文，指出集合论机制的某些部分与 Kuratowski 关于集合的有限幂的分解结果有关，并且表明在单位区间上不存在 Borel 可测单调压缩函数。
Jan, 2019
本研究提出了一种基于标准刻度的方法，通过生成文本解释来解决 Lattices 在大数据集合下难以理解的问题，可以应用于任何数据领域。
Apr, 2023
在资源匮乏的情景下，我们评估了早期学习曲线估计作为选择在非深度学习者应用的最适模型的实用机制，以提高性能并控制成本。使用西伊比利亚 - 罗曼斯语族中的加利西亚语作为案例研究，实验结果与我们的预期一致。
Feb, 2024
介绍了解决图上组合优化问题的现有方法存在的问题，调查了与计算复杂性相关的机器学习研究的发展，并组织和比较了解决组合优化问题的学习结构。
May, 2020
本文提出一种新的基于概率框架、结合形式语义和机器学习的方法，通过将谓词与其所指实体分开，利用贝叶斯推断来对逻辑形式进行推理，在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后，最终证明了该方法的可行性。
Jun, 2016
本研究提出序数基元作为分析意义的计量单位，通过形式概念分析领域中的正式语境完整度量标准的研究来研究这些序数子结构（或标准刻度），并展示了底层决策问题是 NP 完全的，提供了如何逐步识别序数基元以节省计算量的结果。伴随我们的理论结果，我们演示了如何利用序数基元从中等规模的序数数据集中检索基本意义。
研究表明，在深度学习背景下，词性标注对于语法分析的作用有限，唯有当标注准确率非常高或资源非常匮乏时才有所帮助；而对于序列标注分析模型而言，词性标注的影响取决于编码方式等因素，其中基于词性的头选择编码方式仅在标注准确率和资源可用性均很高时表现最佳。
Oct, 2022