本文介绍了一种基于核的分类器，通过将核矩阵视为广义图，并利用图嵌入技术的最新进展，提出了一种新的核矩阵嵌入方法，能够快速且可扩展地进行嵌入，无缝地整合多个核以增强学习过程。通过随机变量，我们对该方法进行了人群级别的理论分析。在实证方面，我们的方法在各种模拟和真实数据集上表现出优越的运行时间，与支持向量机和两层神经网络等标准方法相比，实现了可比较的分类准确性。
Jun, 2024
通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。
Aug, 2022
通过将图表数据的嵌入视为不同偏置下的独立硬币翻转，应用持续优化技术来获得二元向量的简单且有效模型，得出了优于谱图嵌入和各种学习实值嵌入的量化结果，可以显著降低图表数据检索的延迟。
Mar, 2018
本文提出了一种名为 `Diffusion Graphs` 的图嵌入方法，其通过简单的顶点序列生成可以获得更高的计算效率和更加准确的嵌入结果。实验证明，该方法在图中边密度越大时性能越好，同时在社区检测任务中，利用嵌入空间中的聚类节点可以获得比其他序列嵌入方法更好的结果。
Jan, 2020
本文研究基于节点嵌入的机器学习方法，重点探讨了节点嵌入算法在不同类型图上应用的表现，通过 4 种节点嵌入算法、4-5 种图核心度量以及 6 个数据集的系统实验得到了有关节点嵌入算法性质的洞见，为该领域的进一步研究奠定了基础。
Feb, 2018
通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。
Oct, 2023
本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。
Jan, 2022
本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。
Oct, 2021
本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。
Jun, 2019
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