- 图形节点分类的标签高效正则化和传播
本文提出了一种名为 LERP 的新方法解决 GraphHop 方法在分类节点时出现的两个缺陷，并在多个数据集上进行实验，表明 LERP 方法在极低标签率下表现最佳。
- NetRCA: 一种有效的网络故障原因定位算法
本文提出了一种名为 NetRCA 的算法来解决网络错误本源的准确定位问题，该算法从原始数据中提取有效的派生特征，采用多元时间序列相似性和标签传播来增加数据，最后采用合奏模型来提高性能，并在 ICASSP 2022 AIOps Challen - 极端化：比较分析 Parler 和 Gab 中的仇恨言论
本研究使用各种算法对 Parler 平台上的仇恨言论进行了大规模分析，并使用标注的数据集对用户进行了分类，发现 16.1％的活跃用户是仇恨言论传播者，并且他们在活动性、中心性、情感表达和表达的不同种类等方面具有明显的特征，这是对 Parle - KDD非平衡分类场景下的冷启动主动学习策略
该研究提出了一种新的主动学习策略，专门解决大量无标签数据的分类初始化问题，同时处理不平衡的上下文，通过使用元素分数结合从聚类结构提取的信息到标签传播模型来解决标签稀缺和不平衡问题。以 Twitter 内容注释为例，该方法有效地处理了类别不平 - AAAI元传播网络用于图少样本半监督学习
本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。
- EMNLP面向短文本分类的分层异构图表示学习
本文提出了一种基于图神经网络（GNN）的新方法 SHINE，构建了以单词为级别的组件图层次异构图，通过学习短文本图动态的进行标签传播，在各种基准短文本数据集上验证了其有效性和优越性。
- 元数据指导下的超图模型用于非监督人员再识别
该研究提出了一种新的无监督人员重识别方法，使用元数据信息构建超图进行特征学习和标签细化，并采用标签传播方法和基于内存的列表损失对重识别结果进行有效的细化和优化。对三个基准测试的广泛实验显示出该方法对现有方法具有显著提高。
- ICCVWarp-Refine 传播：通过循环一致性实现半监督自动标注
本文提出了一种新的标签传播方法，即 Warp-Refine Propagation，通过将几何和语义线索结合起来，半监督地利用时间轴上的循环一致性，学习精细地修正几何变形的标签并将它们与学习到的语义先验相结合，以高效地自动标注视频序列，这种 - 自我标签增强训练的可伸缩自适应图神经网络
本研究提出了可扩展和自适应图神经网络（SAGN），采用基于注意机制的邻域信息聚集和自我 - 标签增强框架（SLE），以结合半监督的节点标签训练。实验结果表明，相比其他基于采样和非采样的方法，SAGN 实现了更好或相当的结果，并且 SLE 可 - CVPR一物一击：一种自我训练的弱监督 3D 语义分割方法
使用极其稀疏的标注数据，我们设计了一种自学习方法，其中迭代地进行训练和标注传播，利用了关系网络来生成类别原型并显式地建模了图形节点之间的相似性，通过大量的实验证明，我们的方法在点云语义分割任务中表现优于现有所有弱监督方法，并且结果也可以与完 - 图神经网络知识的提取与扩展：一种有效的知识蒸馏框架
本文提出一种基于知识蒸馏的框架，利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明，该模型在 5 个公共基准数据集上相对于 7 个图神经网络的教师模型平均能提高 1.4% - 4.7% 的准确度，并且具有更可解释性的预测过程。
- ICML子群移位下的标签传播理论
本研究提出了一种基于标签传播的领域自适应框架，利用源域上的教师分类器将信息传递到目标域，并通过扩展假设和利用现有的泛化上界，以满足整个算法的有限样本保证。 通过采用一致性半监督学习方法，我们在领域适应设置中获得了显着的改进。
- 一种统一的生成模型用于图学习算法：标签传播、图卷积和组合
本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。
- 结合标签传播和简单模型胜过图神经网络
通过实验证明，在许多标准的节点分类基准测试中，结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配，同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。
- WWW解耦图卷积神经网络与标签传播的等效性
本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服 - 影响函数对图神经网络的规避攻击
本研究提出了一种基于影响力的逃避攻击方法，用于攻击多层图神经网络，不需要知道其具体参数，在性能相当的情况下有 5-50 倍的速度提升。
- ECCV学习在噪声亲和力图上可靠地传播
该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
- ECCV使用增强锚点的标签传播算法：一种简单的半监督学习基线用于无监督领域自适应
通过分析 WSL 技术在 UDA 问题中遇到的挑战，提出了一种 Label Propagation with Augmented Anchors (A2LP) 算法，通过生成带有高置信度标签预测的未标记虚拟实例 (即增强锚点) 来改进 LP - 基于特征转换集成模型的批次谱正则化用于跨领域少样本分类
本文提出了一个特征变换集成模型，使用批次谱规则化来解决跨域少样本学习的问题，并应用标签传播、熵最小化和数据增强方法来缓解目标域中标记数据的短缺。实验结果表明，我们提出的模型具有显著的优越性。
- CVPR视频对象分割的传导式方法
本篇论文提出了一种基于标签传播和特征相似性的转导方法，用于半监督视频目标分割，其中考虑了长期目标出现特征。该方法无需额外的模块、数据集或架构设计，使用普通的 ResNet50 作为主干，在 DAVIS 2017 评估集上达到了 72.3 的