本研究提出了一种基于最佳运输的图匹配方法（GM-OT），旨在解决从预训练语言模型向声学特征学习转移语言知识时的对齐挑战。该方法通过将语言和声学序列建模为结构化图，提升了知识迁移效率，显著提高了自动语音识别模型的性能。

本研究提出了一种视觉-语义图匹配网络（VSGMN），旨在提升传统零样本学习在未见类别识别中的表现。实验结果表明，VSGMN在多种场景下优于现有方法，具备实际应用潜力。

本研究提出了一种结构增强图匹配网络（SEGMN），旨在解决现有图相似性计算方法的不足。通过双重嵌入学习和结构感知匹配，SEGMN在GED回归任务中超越了现有方法，基线性能提升最多达25%。

该论文提出了一种新的框架，通过学习高阶关系和拓扑信息来实现人物重识别。使用CNN和关键点估计模型进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层。通过优化图匹配和节点嵌入来最终匹配人员，并在遮挡的数据集上取得了优越的效果。

本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束。通过交替方向乘子法将其分解为多个易于解决的子问题，设计了一个模块化可扩展的框架。实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

DHOT-GM是一种新颖有效的图匹配方法，基于可微分分层最优传输框架。该方法使用关系矩阵集合表示每个图，并通过加权平均匹配结果推断节点对应关系。实验证明，该方法在各种图匹配任务中表现出更高的优越性和鲁棒性。

本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束。通过交替方向乘子法将其分解为多个易于解决的子问题，设计了一个模块化可扩展的框架。实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。