本文提出了一种基于面部特定区域遮挡的自动化修补方法，将远程真实世界中的表情分类的问题转换为图像分类问题，并使用 Isomap 聚类技术来检测在修补后的图像中存在的面部表情模式。该方法可用于大数据集中与基于特征的表情分类方法相结合以提高表情分类准确度。

Nov, 2015

本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

Apr, 2023

基于图 Laplacian 特征映射和局部结构的点云匹配技术，通过引入 Coupled Laplacian 算子解决顺序和符号歧义，成功实现高度精确的形状匹配和异常定位。

Feb, 2024

该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。

Dec, 2020

多视图稀疏拉普拉斯特征映射是一个基于图的方法，通过多次观察数据以构建更强健和信息丰富的高维数据表示，通过稀疏特征分解和优化算法来降低数据维度并获得一个特征集。作者在 UCI-HAR 数据集上进行实验证明即使将特征空间减少 90%，支持向量机（SVM）的错误率仅为 2.72%，且在整体特征空间减少 80% 的情况下 SVM 精度为 96.69%。

Jul, 2023

本文介绍了一种利用超几何空间的嵌入方法提高图数据的建模效率和性能的新算法，以及如何通过 Laplace 算子的本征函数来逼近超几何空间中的等度不变核，从而更好地实现了超几何网络的建模。

Feb, 2022

本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

Mar, 2022

通过结构化图拉普拉斯嵌入算法，将所有结构化距离关系转化为图拉普拉斯形式，能够充分利用构建完整图的结构化距离关系，并易于实施和超有效。将此算法与 CNN 训练的 softmax 损失一起嵌入，能够获得更强鲁棒性和较高的识别度，对于个人重新识别是必要的，有效性已在三种流行网络上得到验证。

Jul, 2017

本文提出了一种基于图卷积网络的可学习的人脸聚类框架，通过用两个图卷积网络分别估计节点置信度和边的连通性，实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验，证明了该方法显著提高了聚类准确性，并在不损失性能的情况下大幅提升了识别模型的计算效率。

Apr, 2020

提出了一种灵活的超图 1-Laplacian 定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类，可以实现比传统 Laplacian 更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图 1-Laplacian 等效于相关图的 1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。

Apr, 2023