本研究提出了一种创新方法，通过相似日行程链合成来预测公交行程链，解决了现有方法无法有效表达行程间复杂关系的问题。利用真实数据构建图模型进行半监督分类，取得了先进的预测结果，并发现用户可分为三种类型。

本文介绍了多种图神经网络（GNN）研究，包括无监督图相似性学习、半监督分类和图结构学习基准。提出的KGNN模型结合内存核网络，优于传统方法。此外，研究探讨了GNN在图分类中的隐含偏差及新颖的图参考分布学习（GRDL）方法，显著提高了分类效率和性能。

本文研究了在球面上学习未知函数的方差损失问题，分析了神经切向核模型和随机特征模型的表现。通过大偏差理论，探讨了插值器的泛化能力及其与现代学习技术的关系。同时，研究了广义线性回归的渐近表现、局部插值方案的一致性，以及生成Transformer模型的泛化能力，并提出了改进方法。最后，讨论了半监督分类中的新框架和深度学习的广义化现象。

本文介绍了一种新的半监督分类方法，利用无标签数据提升模型性能，尤其在医学诊断和糖尿病预测中。研究提出了PUtree和自我无监督学习框架等多种算法，显著改善了分类效果，并通过实验验证了其有效性。

该文章提出了一个理论框架用于分析高维情况下的半监督分类，通过线性分类模型QLDS实现低密度分离假设。QLDS是最小二乘支持向量机、谱聚类和半监督图方法的特殊情况。利用随机矩阵理论推导了分类误差的理论评估，并提供了超参数选择策略。实验研究证明了QLDS在计算效率和超参数选择上的优势。

Barlow Twins是一种自监督学习方法，通过测量两个网络中输入扭曲样本的相关性矩阵，最小化嵌入向量之间的冗余。该方法在低数据范围内的半监督分类上表现优异，并在ImageNet分类和分类与目标检测的转移任务上与最先进的方法相媲美。

该文介绍了一个用于分析高维情况下基于低密度分离假设的半监督分类的理论框架。作者提出了QLDS，一个具有显式解和丰富理论性质的线性分类模型，并利用随机矩阵理论推导了分类误差的理论评估和超参数选择策略。实验结果表明，QLDS在计算效率更高的同时，在超参数选择上优于交叉验证。

该研究提出了一种新的异质图神经网络 Hetero$^2$Net，通过蒙版元路径预测和蒙版标签预测任务，有效地处理同质性和异质性异质图。在五个真实异质图基准上评估了 Hetero$^2$Net 的性能，结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型。