本文提出了一种新的分布式算法，针对稀疏的最小割问题，主要解决大规模问题，通过路径增广和推 - 重贴方法的区域内更新以及区域之间的交互计算，成功降低了交互代价并将算法分成了若干阶段，在计算机视觉的最大流问题中取得了良好效果。
Sep, 2011
该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
介绍了一种新型的基于 restreaming 的算法，使用带有乘性权重的约束管理策略来优化流式过程的排序，同时借鉴了平衡标签传播的优先级概念来进行分区优化，得到了与现有算法相比在真实世界图上具有更好性能的结果。
本研究证明了置信传播算法在容量约束最小费用网络流问题上的全多项式运行时间，还证明了算法的随机逼近方案，这提供了理论依据支持置信传播算法成为解决一类重要的优化问题的有吸引力的方法。
Apr, 2010
本文研究了有关时间变量和未知延迟验证对于主动学习问题的影响，提出了一种基于 PRopagate 和一个依据漂移情况的动态预算策略的解决方案。通过实验评估，发现该方法在不同的延迟时间和预算设置下优于现有技术。此外，还证明了在时间上变化预算分配可以提高主动学习策略的性能，而不增加总体标记预算。
Apr, 2022
本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。
Jan, 2021
本文介绍了一种基于标签传播技术的算法，用于在大型网络中寻找重叠的社区结构，并扩展了标签传播步骤，使每个顶点可以属于多达 v 个社区，其算法在与独立设计的基准测试和真实网络上的测试中均表现出高度的有效性，而且速度非常快，可以在短时间内处理非常大和密集的网络。
Oct, 2009
本文介绍了一种名为 LocalImprove 的算法，应用于设计更好的本地图分区算法，该算法是首个切割改进算法，具有局部性质，可以在更短的时间内运行，同时与 Andersen 和 Lang 的全局算法具有相同的理论保证，解决了先前基于随机行走算法的图谱划分局部算法存在的问题。
Jul, 2013
通过使用噪声节点标签作为附加节点信息的替代，本研究提出了一种对局部图进行聚类的方法。实验证明，使用加权图中的扩散操作可以显著提高局部聚类的性能。
Oct, 2023
在无向图中，基于 “簇弹出” 算法的期望运行时间受输入规模的多项式限制，得到了全多项式时间随机逼近方案 (FPRAS) 来解决全终端网络可靠性问题。
Sep, 2017