- 基于双图和加权核范数正则化的人体运动检测
本文提出了一个基于加权核范数正则化和时空图拉普拉斯算子的双重图正则化移动对象检测模型，在实际的人体运动数据集上进行了数值实验，证明了该方法在分离运动物体和背景方面的有效性和稳健性，并展示了在机器人应用中的巨大潜力。
- ACLFewShotTextGCN：基于 K-hop 邻域正则化的图少样本学习
FewShotTextGCN 提出了一种新的方法，并引入了 K-hop 邻域正则化和自适应伪标签等技术，来解决在资源匮乏情况下学习效果不佳的问题，并在多语言文本分类任务中，表现优异。
- 针对药物相互作用预测的图正则化概率矩阵分解
本文提出了一种新的图形规范的概率矩阵分解（GRPMF）方法，它通过一种新颖的基于图形的正则化策略将专家知识纳入到 MF 框架中，提出了一种高效且有声优化算法来解决交替方式产生的非凸问题，通过药物银行数据集进行了评估，并与最先进技术进行了比较 - 基于图的半监督学习：综述
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。
- 图上的机器学习：模型和综合分类
本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的 30 多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了 - 三元组深度哈希网络用于跨模态检索
本文提出一种基于三元组的深度哈希网络（TDH），用于跨模态检索，并在哈希空间中引入图形正则化，以保留哈希码的原始语义相似性，实验结果表明，我们提出的方法优于几种现有的交叉模态数据集上的最新方法。
- 卷积几何矩阵补全
本论文提出了一种新的纯以 GCN 为基础的 GMC 方法，叫做卷积几何矩阵完成（CGMC），通过新设计的图卷积网络在用户 / 物品之间进行图推荐，实验结果显示 CGMC 在准确性和速度方面优于其他最先进的方法，包括 RMGCNN。
- 一种非线性正交非负矩阵分解方法用于子空间聚类
通过非负矩阵分解和谱聚类方法，在非线性正交 NMF 框架中提出了两种基于核的子空间聚类算法，并引入图形正则化以获得满足数据局部几何结构的分解，其聚类性能显著优于最新的一些方法。
- 学习任务特定的深度聚类架构
本研究提出了一种基于稀疏编码和深度学习相结合的聚类方法，利用图形正则化稀疏编码算法构建 TAGnet 前馈神经网络，并通过添加聚类任务计算 DTAGnet 网络，实验结果表明该方法在效率与可伸缩性方面明显优于其他先进方法。
- 基于多层图谱的聚类：谱学视角
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。