- 图内核：一份综述
这篇综述文章介绍了在结构化数据学习中，图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数，介绍了图核函数在社交网络及生物信息学等领域的成功应用，并提供了一些有关图核函数的应用和挑战的讨论。
- Weisfeiler 和 Leman 稀疏化：走向可伸缩的高阶图嵌入
本文提出一种基于 Weisfeiler-Leman 算法和神经网络架构的图核方法，能够处理高阶交互，同时具有表达能力、可扩展性和防止过拟合等优点。实验表明，与原算法相比，局部算法（包括核和神经体系结构）具有快速计算时间和防止过拟合的优势，并 - 图内核调查
本研究总结了过去 15 年中用于核心基础图分类问题的技术，并在一系列基准测试和新数据集上对几种热门核进行了性能比对，发现对于某些数据集，简单的基准测试经过高斯 RBF 核转换后可以得到竞争性的结果；此外，还对现有的图核进行了实证研究，并据此 - IJCAIGCN-LASE: 在图卷积网络中充分融合链路属性
我们提出了 GCN-LASE 模型，该模型通过采用节点和链属性作为输入来充分捕捉链和节点属性之间的相互作用。在此基础上，我们定义了几个图核，并开发了相应的架构。此外，通过蒙特卡罗方法估计整个邻域中元素的特征总和，进一步设计了新的采样策略以最 - ICLR非属性图分类的简单而有效的基准线
本文介绍了一种简单但有效的图形表示方法，并探讨了其在图形分类中的应用。该表示方法在非属性图形分类中取得与最先进的图形核和图形神经网络类似的表现，但在属性图形分类中表现稍弱。文中强调了需要更全面的基准数据集来评估和分析不同的图形学习方法，并认 - 基于随机游走回程概率的图核函数
提出基于随机游走返回概率的图核计算框架，使用各种节点属性进行有效利用，并在广泛的图分类实验中证明了其显著优越性。
- NIPS学习具有结构变化的图形
本文研究结构变化对于图数据和图核心预测性能的影响，通过引入噪声鲁棒方法改进了 GraphHopper 核心，并在基准数据上验证其性能；在增加结构性错误的情况下，研究最先进的 Weisfeiler-Lehman 图核心的性能，发现引入错误的影 - GraKeL: 一个 Python 中的图核心库
本研究介绍了一种名为 GraKeL 的 Python 图核心库，该库将多个不同的图核心融合为一个通用框架，可与 scikit-learn 模块结合使用，构建完整的机器学习管道来实现图分类和聚类等任务。
- KDDNetLSD: 倾听图形的形状
本文提出了 Network Laplacian Spectral Descriptor（NetLSD）方法，可以实现对大型图的快速比较，该方法是目前为止唯一一种既具有置换和尺寸等变性，同时又可扩展和高效计算的图形表示方法，并且具有比以往方法 - 图形贝叶斯优化：算法、评估和应用
本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。
- 核图卷积神经网络
本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。
- graph2vec：学习图的分布式表示
本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。
- subgraph2vec: 从大型图形中学习根子图的分布式表征
本文介绍了 subgraph2vec，一种用于从大型图形中学习根节点子图的潜在表示的新方法，该方法受到深度学习和图形核方法的最新进展的启发。我们证明了我们的方法能够与 CNNs、SVMs 和关系数据聚类算法等分类器相结合，从而实现显著优越的 - ICML属性图的子图匹配核函数
论文通过提出基于子图匹配的图内核来解决无属性子图匹配内核所面临的属性不匹配的问题，并通过灵活的打分方案对子图匹配进行评分。作者还提出了用于计算内核的图论算法，并在对真实世界图进行分类任务时取得了鼓舞人心的实验结果。
- 图核函数
通过扩展线性代数到再生核希尔伯特空间（RKHS）并将其简化为 Sylvester 方程的算法，我们构建了一个统一的框架来研究图形内核，这使得内核计算的时间复杂度从 O（n^6）降至 O（n^3），当图形稀疏时，共轭梯度求解器或固定点迭代带入 - 基于树模式的分子图核函数
本研究提出了一种控制子树用于表示图形特征的复杂性的新核函数，并在分类有毒和非有毒分子方面使用支持向量机进行了实验验证。