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随机游走的新方法，用于超图上的标签传播。该方法通过估计节点距离为随机游走的预期命中时间，并引入困惑随机游走来更好地描述实际超图。与DeepWalk相比，该方法在目标数量较小的情况下具有明显的计算优势，并且对于大型稀疏的超图，时间复杂度近似为线性，优于DeepWalk的替代方案。

本文介绍了一种基于随机游走的新方法，用于超图上的标签传播。该方法通过估计节点距离为随机游走的预期命中时间，并引入困惑随机游走来更好地描述实际超图。与DeepWalk相比，该方法在目标数量较小的情况下具有明显的计算优势，并且对于大型稀疏的超图，时间复杂度近似为线性，优于DeepWalk的替代方案。

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。