- 核范数中的快速谱密度估计与稀疏化
利用一种随机算法和核稀疏化的方法，该研究提出了一种新的图谱估计方法，可在线性时间和多项式查询复杂度下，准确估计归一化邻接矩阵的谱密度。这一方法在复杂度和准确性方面均具有优势，且创造性地解决了图的稀疏化和添加谱稀疏化的相关问题。
- 度量骨干网络如何保持社区结构
在这项研究中，我们分析了具有社区结构的广泛类别的加权随机图的度量骨干，并在形式上证明了社区结构在删去不在度量骨干中的所有边缘时的稳健性。多个图稀疏技术的实证比较证实了我们的理论发现，并显示度量骨干在存在社区的情况下是一种有效的稀疏化工具。
- 通过图的混合进行图稀疏化
使用混合图 (MoG) 技术对图神经网络进行图稀疏化处理，针对每个节点的特定环境选择合适的稀疏方案，并在 Grassmann 流形上生成最优稀疏图，从而实现更高的稀疏度水平、GNN 推理速度的提升，并改善 “顶级学生” GNN 在性能上的表 - 稀疏化对于 Transformer 和 Graph 神经网络在 TSP 中的重要性
对于旅行推销员问题 (TSP) 进行路由问题的研究中，提出了一种数据预处理方法，使用图稀疏化和注意力掩码来将编码器聚焦于 TSP 实例的关键部分，实验结果显示，适当的图稀疏化和注意力掩码方法可以显著提高整体架构的性能。
- 图重构的综合调研：稀疏化、粗化和浓缩
图简化技术是一种应对大型图数据集复杂性和规模的有效方法，本调查研究对图稀疏化、图粗化和图凝聚等简化方法进行了全面概述，并阐述了它们在不同场景中的实际应用，为该领域的发展提供了技术综述和重要研究方向。
- 基于图稀疏化的高能效分散式学习
通过优化混合矩阵，改进分散式学习的能源效率，该研究将问题建模为双层优化，其中底层通过图稀疏化求解，针对全连接基底拓扑提出了一种拥有保证性能的解决方案，针对一般情况提出了一种贪心启发式方法，并通过基于真实拓扑和数据集的模拟验证，结果表明该方案 - 有限监督下的潜在图推理
通过恢复破坏的联系并提供缺失的监督，以改善潜在图推断方法的性能。
- 基于图稀疏化的 GCN 技术在农作物产量预测中的应用
该论文提出了一种基于费德勒数的图稀疏化方法，以降低 GCN 模型的复杂性和提高农作物产量预测的准确性。实验结果表明，该方法与其他图稀疏化方案相比，在农作物产量预测方面表现出色。
- 图稀疏化的相关信息原则
本文提出了一种基于信息论的图稀疏化方法，通过扩展相关信息原理，并在图的拉普拉斯矩阵上进行操作，实现了目标。该方法在图稀疏化，图正则化多任务学习和医疗影像派生的大脑网络分类等多个现实世界的应用中表现良好。
- ICML基于近似线性排抽样的分位数回归算法
提出了行采样算法，适用于各种损失函数的行采样算法，降低数据维度的采样复杂度，并应用于分位数回归和有向图稀疏化问题。
- 光谱保留图稀疏化和粗化的统一框架
提供了同时稀疏化和粗化图形的统一框架，其原理基于图拉普拉斯算子的物理解释，并使用一种无偏处理程序来减少图形并保留其大规模结构。
- SDD 线性系统的近乎 O (mlogn) 求解器
提出了一种针对对称对角占优线性系统的改进算法，该算法利用图稀疏化和预处理来构建一条链以求解方程。同时，也介绍了一种构建近似最小 “拉伸” 生成树的算法，并证明了这两个算法的时间效率。
- MM图的频谱稀疏化
本文提出了一种基于图拉普拉斯矩阵谱相似性的新型图稀疏化方法，证明了任何图都有近乎线性大小的谱稀疏化，并给出了一个可在几乎线性时间内构建谱稀疏化的算法，该方法的关键组成部分之一是对具有强保证的近乎线性时间图划分算法的使用。