- KDD自适应时空图神经网络中的图中优胜模型的预训练鉴定
通过引入 “图中的中奖号码（GWT）” 的概念，我们提出了一种新颖的方法来显著提高自适应空间 - 时间图神经网络（ASTGNNs）的计算效率。通过采用预先确定的星形拓扑作为 GWT 来训练，我们在减少计算需求的同时，保持高性能的模型表现。我 - FUGNN: 图形神经网络中的公平性和效用的协调
通过谱图理论重新审视公平性，并在谱图学习框架中协调公平性和实用性的权衡，提出了一种新颖的谱图学习方法 FUGNN，通过截断谱并在编码过程中优化特征向量分布，建立起算法公平性和实用性之间的平衡。
- ICML神经网络的谱间隔正则化
介绍一种基于 Fiedler regularization 和图谱结构信息的神经网络正则化方法，应用于节点嵌入学习，通过实验验证其有效性和可行性。
- WSDM通过节点分组的图摘要：一种谱算法
本文提出了一种叫作 SpecSumm 的算法，它利用了整数最大化和谱图理论的思想，通过节点聚合来实现图形概括，并通过贪婪启发式和 k-means 算法来进一步改进概括质量。实验证明，这个算法可以比现有算法更有效地处理数百万节点的大规模图形。
- 用蒙特卡罗搜索推翻谱图论猜想
应用 Monte Carlo Search 算法中 Nested Monte Carlo Search 和 Nested Rollout Policy Adaptation 算法，能够在几分钟内构建图形并找到光谱图理论猜想的反例。
- 分秒之间的旋转平均值：一种基于原始对偶方法和闭合形式的循环图算法
本文从最大似然估计的角度出发，提出了一种新的无需初始化的原始 - 对偶方法来解决旋转平均问题，同时，在循环图中得出了旋转平均的第一个闭合解，这一方法在精度和性能方面都有了显著的提升。
- 使用拉普拉斯特征函数和无监督点配准的关节形状匹配
该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。
- 基于几何图的线性代数算法与难度
该研究探讨了在一类称为 K - 图的特殊完全图上实现有效光谱图论的可能性，包括矩阵乘法，谱稀疏化，以及拉普拉斯系统解决方案等问题，并以多种函数为例进行算法开发和难度对比，并发现对于某些函数，即使采用著名的快速多极方法（Fast multip - 固定角度的等角线
通过基于图形表示的数学优化模型及相关理论如：角度、谱图理论及各自的度量指标，解决了一个长期存在的关于等角线问题，并给出了其中包含的新结果。
- 通过谱约束的结构化图学习的统一框架
本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架，通过对图矩阵的谱约束实现了特定结构的图形式化，提出的算法具有收敛性，计算高效，在合成和真实数据集上的实验表明了其有效性。
- 关于细胞层谱理论的研究
本文介绍了一种在细胞鞘理论中扩展谱图理论的程序，将组合图 Laplacian 提升到覆盖正则细胞复合体的向量空间的 Hodge Laplacian，以类似谱图理论的方式将光谱数据与鞘上同调和细胞结构相关联。
- 点云分割的正则化图卷积神经网络 (RGCNN)
本文提出了一种正则化图卷积神经网络 (RGCNN)，通过谱图理论，将点云中的特征视为图上的信号进行卷积，可以直接处理点云数据，提高了点云分割效能，并在 ShapeNet 部件数据集上进行了实验验证。
- 估算大型隐式矩阵的谱密度
本研究结合多种不同的随机估计技术，展示了在存在噪声的情况下，构建偏差估计器以回答有关隐式矩阵光谱的广泛问题是可能的。
- 有向超图拉普拉斯算子及其谱分析
本文在有向超图的定点上定义扩散算子，推广了 Cheeger 不等式，并在半监督学习中实现了二次优化。
- 子模转换的 Cheeger 不等式
通过引入子模变换的概念并定义其 Laplacian 和规范化 Laplacian，本文综合和概括了现有的 Cheeger 不等式，并且引出新的 Cheeger 不等式。本文还提出了一种多项式时间的保证算法，以计算子模变换的规范化 Lapla - 使用图卷积网络进行距离度量学习：应用于功能性脑网络
该论文提出了一种新的图相似度度量方法，利用卷积神经网络和谱图理论概念，在不规则图上执行操作，通过对临床应用量身定制的图相似度度量方法，将 k-nn 分类器的性能提高了 11.9％。
- NIPS快速局部谱滤波的图卷积神经网络
该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。
- 用张量谱聚类划分高阶网络结构
提出了一种基于张量谱聚类（Tensor Spectral Clustering，TSC）算法来捕捉网络高阶结构的方法，其可以用于发现网络中的分层流和图形异常检测，特别地对于分析方向性网络的有向 3 - 循环结构，TSC 产生的大分区割减了比 - 随机行走矩阵多项式的谱稀疏化
本论文解决了计算矩阵多项式的谱稀疏矩阵的基本算法问题，在最近线性时间内构造了一个带有少量非零元的拉普拉斯矩阵，近似于给定的矩阵多项式；该算法可用于多步时间可逆马尔可夫模型的有效电阻的构建，以及网络分析中的其他任务。
- 可分解子模函数最小化的收敛速度
本文介绍一种易用且可并行的用于最小化由 “简单” 子模函数组成的子模函数的算法，并在几何子模多面体的基础上，利用谱图理论结果证明该算法线性收敛，并给出了收敛速率的上下界。