本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

Dec, 2016

本研究探讨了半监督学习中的回归问题，以随机几何图形模拟数据几何结构，将离散的$p$-拉普拉斯正则化纳入模型，研究了无标记点数增加时渐近表现的性质，发现模型存在收敛性限制，提出了一个简单的模型来解决这一限制。

Jul, 2017

本文介绍了一种针对大数据量下半监督学习中图拉普拉斯方法性能下降问题的解决方案，通过正确设置拉普拉斯正则化的权重使得估计器在大样本情况下保持良好状态，并证明了其收敛性，最终实现连续达到标记值的问题平滑解，且方法实现快捷简便。

Oct, 2018

本文着重阐述了基于图的半监督学习方法的各种变体及其概述、连接和发展方向。新的广义分类方法为图正则化和图嵌入方法提供了指导和最新的研究参考。

Feb, 2021

本文提出一种称为PL-MBO的代数拓扑半监督学习方法，它将持久谱图理论与经典的MBO方法相结合，通过一系列链复杂体和关联的简单复杂体构建一族持久拉普拉斯变换，从而实现在标记数据量较少的情况下实现良好的性能。

May, 2023

本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

Jun, 2023

该研究论文提出了一种基于图的半监督学习的非凸泛化解决方案，通过使用Laplacian特征向量解决了低标签率下标准算法退化的问题，并通过选择信息样本实现了较低的分类错误率。

Jul, 2023

OpenIMA 是一个不依赖预训练图编码器的鲁棒性、基于对比学习的方法，用于从头开始训练节点分类模型并通过减小偏差的伪标签来解决开放世界半监督节点分类问题。

Mar, 2024

通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。

Jun, 2024

本研究解决了图基半监督学习中的一个问题，即函数在未标记点处的光滑性假设。我们提出的界面拉普拉斯学习模型引入了界面项，通过k-hop邻域索引来近似界面位置，并从标记数据中学习界面项。实验结果表明，该方法在极低标记率下在多个数据集上优于现有的半监督学习方法。

Aug, 2024