- ICCV通过二元分类学习人脸聚类
本文介绍了一种新的人脸聚类方法，将人脸聚类任务转化为成对关系分类任务，避免了在大规模图上训练所需的高内存消耗，并借助上下文信息以增强分类器性能。同时，引入排名加权密度来指导选择输入分类器的对。实验结果表明，该方法速度最快，内存消耗最小，并且 - 使用虚拟边从复杂网络模型的文本中提取关键词
本研究发现使用嵌入式边缘可以改善共现网络的可区分性，最佳表现是在考虑低百分比的虚拟嵌入式边缘时，结构和动态网络指标的比较分析揭示了度数，PageRank 和可访问性是模型中表现最佳的指标。
- ACL基于图形和头尾跨度的投影依存句法分析（二阶）
本研究结合了图形方法和基于主导跨度的方法，将弧度分数和主导跨度分数合并到模型中。通过两种动态规划算法组合第一和第二阶图形和主导跨度方法，实验表明，将基于第一阶图形的方法与基于主导跨度的方法相结合是有效的。但是，当组合第二阶图形和主导跨度方法 - 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。
- 多跳问答的记忆增强连续段落检索
本文提出一种新的方法，将段落建模为序列数据，并将多跳信息检索视为一种序列标记任务，从而解决传统基于图的方法存在的固有缺陷，并通过引入外部可重写记忆和阈值门机制，提高了热点问题回答数据集 HotpotQA 上的检索和下游 QA 任务的表现，并 - 文档级关系抽取的粗到细实体表示
本研究提出 Coarse-to-Fine Entity Representation model (CFER), 采用粗细分阶段策略，旨在同时关注全局信息与目标实体对之间的路径信息，用于获取更全面的实体表示，并应用于文档级关系提取任务中取得 - KDD药物 - 疾病图谱：基于临床数据的图神经网络预测药物不良反应信号
本研究提出了使用基于图的框架，结合医疗保险索赔数据和副作用数据库，使用图神经网络预测并发现潜在的不良药物反应对。与其他算法相比，该模型在 AUROC 和 AUPRC 性能方面表现出更好的表现。
- CVPR基于图滤波的高效半监督学习
提出了一种基于图滤波器的半监督学习框架，能够将数据特征作为图信号注入图相似性中，并使用低通滤波器从图信号中抽取有用的数据表示，从而实现标签高效的半监督学习，同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
- 基于图形方法的楔形文字识别
本研究使用基于图的两种方法和距离计算，分别是基于图编辑距离的分割算法和适应于图的 CNN，实现对楔形文字的自动识别和分类，两种方法分别在训练阶段和预测阶段具有不同的计算成本和实用价值。
- 随机图集嵌入
本文提出了一种新的高阶随机图嵌入方法（SGE），主要通过一种新的随机搜索过程来提取 / 采样无限高阶图小区域，并将其分布映射到一个给定的图，然后结合最大间隔分类器，能够对数据进行图像识别，并在标准基准数据库上得到了积极的影响。
- 基于核方法的动态图上时空函数重构
本论文提出了一种新的基于核函数的图函数重建框架，该框架能够适应时间演化拓扑下的时变函数，并提供了两种互补强度的时空核构造指南，同时引入了批处理和在线估计方法，以及一种新型的核卡尔曼滤波方法，数值测试显示与竞争方法相比，该方法具有显著优势。
- EFANNA：一种基于 kNN 图的极速近邻搜索算法
本文提出了一种基于 KNN 图的近似最近邻搜索算法 EFANNA，通过提供 NN 扩展的良好初始化方式，很好地解决了收敛到局部最优解和 K 近邻图构建耗时问题。实验证明，EFANNA 算法在近似最近邻搜索和 K 近邻图的构建两个方面均优于现 - EMNLP科学文章中引用强度的差别：并非所有的指头都一样
本研究提出了一种基于图形和半监督学习的模型 (GraLap)，用于测量引用的强度。实验结果表明，该方法相比基线方法在参考文献的强度标记方面取得了显著的提高，可以更好地设计真实世界的应用。