论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。

Oct, 2020

提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。

Apr, 2019

本文提出了一种适用于更广泛类型的图信号的字典学习算法，该算法通过将学习到的字典原子强制设置为图小波函数的稀疏组合，以及添加直接的图约束来提高特征和多样性领域的平滑度，从而实现了对感兴趣的数据进行调整，同时遵循底层图结构和具有所需的多尺度属性。在合成和真实的不同类型数据集上的实验结果表明，该算法即使在高维数据中也能有效地处理图信号。

Jun, 2018

本文介绍了一种名为 GraphZoom 的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。

Oct, 2019

通过提出基于无监督策略的迭代流形嵌入（IME）层，实现了对于大规模图像数据库中的图像快速、稳定的流行嵌入表示，并在图像检索任务上达到了先进技术水平。

Jul, 2017

本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

Sep, 2018

本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

本文提出了一种分析多层图并通过在 Grassmann 流形上使用子空间分析工具来结合个体图层特征的方法。 这种方法可以视为原始数据的低维表示，其中保留了实体之间不同关系的最重要信息，并可用于聚类。 在多个数据集上的实验结果表明，该算法具有优异的性能和竞争力。

Mar, 2013

本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法，该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点 - 特征的点间互信息进行了因子分解。实验结果表明，我们的算法在社交网络和 Web 图上具有鲁棒性，计算效率高，且性能优于可比较的模型。

Sep, 2019

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