- KDDAM-GCN: 自适应多通道图卷积网络
本文提出了一种新型 GCNs 模型：自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。
- AAAI面向半监督分类的类关注扩散网络
本文提出了自适应汇聚与类注意扩散的新类型聚合方案 AdaCAD，该方案强化了对于数据中内部类别节点的关注，利用分类器设计的类注意转移矩阵考虑了节点特征及图结构，使得节点依据本地类群环境有不同的反射比率，建立了 Class-Attentive - 半监督分类的图推理学习
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系 - 基于频谱的有向图卷积网络
本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。
- 半监督语义分割需要强大和多样化的扰动
在分析语义分割问题时，我们发现其分布没有展现出低密度区域，并将其作为解释半监督分割为何是具有挑战性的问题的原因，然后找到增强选择作为获得可靠性性能的关键，并发现这些改进后的 CutOut 和 CutMix 增强技术在标准数据集中提供了最先进 - 图波神经网络
我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分 - 狄利克雷变分自编码器
本文提出了使用 Dirichlet 优先的 DirVAE 模型，利用随机梯度法来推论模型参数，解决了潜变量坍塌问题，并在 MNIST，OMNIGLOT，和 SVHN 等数据集上进行了半监督和监督分类任务的实验，结果表明 DirVAE 模型在 - ICLR预测后传播：图神经网络遇见个性化 PageRank
本文通过引入 PageRank 的个性化传播机制，构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用， 用于半监督分类，在最彻底的 GCN-like 模型的研究 - ICML离散分布的 Rao-Blackwellized 随机梯度
本文介绍了一种 Rao-Blackwellization 技术，可用于降低任何随机梯度估计器的方差，同时保持无偏性，作者证明了该技术在半监督分类问题和像素注意力任务中的改进效果。
- 半监督学习的图拉普拉斯正则化图卷积网络
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。
- IJCAI基于图聚类和半监督分类的自加权多核学习
本文提出了一种新的 MKL 框架，通过将每个核定义为一致核的扰动，并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中，并在多个基准数据集上得到了实验验证，证实了新框架的优越性。
- 元学习更新规则用于无监督表示学习
本研究旨在提出一种元学习的无监督学习规则并与神经元 - 本地函数相结合，以使其能够推广到不同的神经网络体系结构，数据集和数据模态，并基于半监督分类性能来生成用于下一阶段任务的表示。实验结果表明，元学习的无监督学习规则能够产生有用的特征，甚至 - ICML深度学习中基于符号知识的语义损失函数
本文提出了一种新颖的方法，利用符号知识进行深度学习，引入了语义损失函数来约束神经网络输出的逻辑，并且在半监督多分类和结构化对象预测任务中实验验证，取得了几乎最优的结果。
- NIPSFisher GAN
本文提出 Fisher GAN 并在图像生成和半监督分类中验证了其可靠性，Fisher GAN 是一种在 Integral Probability Metrics 框架内的 GAN 训练方法，其判别器使用了数据相关的约束。
- Gumbel-Softmax 分类再参数化
本论文介绍了一种新的 Gumbel-Softmax 梯度估计器，用于处理类别离散型变量，能够有效地支持半监督学习以及结构化输出预测和无监督生成建模任务，并且可以通过渐进式的方式向分类型分布过渡。
- ICML基于正类和未标记数据分类的半监督分类
本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。
- CVPR包含明确关系正则化的半监督学习
通过基于 homophily 原则，通过平滑关系功能对函数评估之间的关系进行正则化，可以显著提高半监督分类和约束聚类和降维中光谱数据嵌入等现有算法的性能。
- 对抗自编码器
本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义 - 基于图的离散信号处理：采样理论
本文提出了适用于有向图和无向图信号的抽样定理，可以实现在保证完美恢复的前提下降低样本量，且可以将采样后的信号系数形成新的图信号，该理论还被应用于半监督分类，以较少的标记样本就达到了与之前工作相似甚至更好的性能。
- 自然语言处理的半监督分类
本研究探讨了半监督分类在自然语言处理任务（如分析、生物医学信息处理、文本分类和摘要）中的可能性、成就以及复杂性和限制。