本研究提出GROOT方法，通过邻域采样生成伪标签并进行标签传播，解决生物序列设计中的优化瓶颈。实验结果表明，GROOT在多项任务中优于现有方法，验证了其在标记数据有限情况下的有效性。

本研究通过流形假设的标签传播方法，解决了机器学习中标记数据集的高成本问题。结果显示，该方法在情感分析中能显著减少所需标签数量，利用图形方法生成伪标签，有效整合未标记数据，降低成本。

本文介绍了一种基于涂鸦的弱监督语义分割方法Scribble2D5，通过标签传播和边界预测提升图像分割效果。研究表明，该方法在多个数据集上表现优异，接近完全监督的性能，同时降低了标注成本。

本文探讨了无监督领域自适应（UDA）的挑战，提出了增强锚点的标签传播算法（A2LP），通过生成高置信度标签的虚拟实例来改进传统方法。研究还涉及自适应蒙版代理、对比学习和无监督类增量学习等技术，以提高样本效率和模型性能，实验证明这些方法在多个数据集上表现优异。

本文提出了一种基于随机游走的超图标签传播新方法，通过预期命中时间估计节点距离，并引入困惑随机游走以处理复杂超图。与DeepWalk相比，FRW在小目标数量时计算效率更高，且时间复杂度接近线性，优于DeepWalk。

本文探讨了利用领域特定词向量和标签传播框架，结合少量种子单词，创建精准的情感词典以量化情感差异。研究提出了一种自动检测抑郁症的新策略，采用数据增强和机器学习方法，在多个数据集上取得了优异的分类效果，并强调了性能与能源消耗的平衡。

本文提出了一种基于草图的医学图像分割方法Scribble2D5，通过标签传播模块和边界预测提高分割精度。实验结果显示，该方法在多个数据集上优于现有草图方法，接近完全监督方法的效果。

本文介绍了一种解决点云理解问题的通用简单框架，通过聚类方法生成聚类，并结合特征相似性学习合并过度细分的聚类，以及引导标签传播。实验证明该框架在点云理解任务中表现最佳，具有潜力应用于机器人操作和自主导航。

本文介绍社区发现算法中的层次编码及其最小熵目标，可以压缩编码长度并确定节点所属社区。同时介绍了其他社区发现算法，如标签传播、图分割和广义社区发现。社区发现算法是图计算中的重要分支，可揭示事物结构和本质，为风控技术提供重要工具。