本书详细介绍如何利用Spark Graph组件进行图计算，并依托项目背景，对Spark图计算进行深入研究，适合Spark爱好者进行阅读

用于图分类的基准图数据集的存储库 图分类简介 近年来，目睹了涉及具有结构关系的对象的越来越多的应用，包括生物信息学中的化合物，大脑网络，图像结构和学术引用网络。 对于这些应用程序，图形是用于建模和捕获对象之间的依赖关系的自然而强大的工具。 与传统数据不同，在传统数据中，每个实例均以特征值矢量格式表示，图具有节点-边缘结构关系，并且没有自然矢量表示。 近年来，这一挑战激发了许多图分类算法。 给定一组训练图，每个训练图与一个类别标签相关联，图分类旨在从训练图中学习模型，以预测将来看不到的图。 下图显示了矢量数据和图形数据之间的betweeb分类差异。 数据集汇总 该存储库维护31个基准图数据集，这些数据集广泛用于图分类。 图形数据集包括： 化学化合物 引文网络 社交网络 脑网络 化学化合物图形数据集采用“ .sdf”或“ .smi”格式，其他图形数据集则表示为“ .nel”格式。 所有这些

The paper is essentially a survey of known results about the spectrum of the Laplacian matrix of graphs with special emphasis on the second smallest Laplacian eigenvalue λ 2 and its relation to numerous graph invariants, including connectivity, expanding properties, isoperimetric number, maximum cut, independence number, genus, diameter, mean distance, and bandwidth-type parameters of a graph. Some new results and generalizations are added.

tegrastats_parser 一种简单的python算法，用于运行Tegrastats，然后从获得的带有时间戳的日志文件中解析数据。 命令行选项： --interval，-i（type = int，默认= 1000，help ='积分器的记录间隔，以毫秒为单位'） --log_file，-f（类型=字符串，默\u8ba4='output_log.txt'，help ='积分器数据的日志文件名'） --only_parse，-p（help ='在不运行tegrastats的情况下解析tegrastats日志文件'） --graph，-g（help ='从已解析的statstats数据绘制一些有用的图形'） 使用情况不生成图 python main.py --interval --log_file

Microsoft Graph 对象参考手册 chm，介绍一些方法、属性、对象和事件，可使用 OLE 程序标识符（有时称作 ProgID）创建自动化对象。列出了 ActiveX 控件、Microsoft Office 应用程序和 Microsoft Office Web 组件的 OLE 程序标识符……

在许多实际的数据挖掘应用程序中，例如文本分类，可以轻松获得未加标签的训练示例，但获得加标签的训练示例则相当昂贵。 因此，半监督学习算法引起了数据挖掘和机器学习领域的极大兴趣。 近年来，基于图的半监督学习已成为半监督学习社区中最活跃的研究领域之一。 本文提出了一种基于线性邻域模型的新颖的基于图的半监督学习方法，该方法假设每个数据点都可以从其邻域进行线性重构。 我们的算法称为线性邻域传播（LNP），可以使用这些线性邻域以足够的平滑度将标签从标记点传播到整个数据集。 本文对LNP的性质进行了理论分析。 此外，我们还导出了一种简单的方法来将LNP扩展到样本外数据。 对于合成数据，数字和文本分类任务，提出了有希望的实验结果。

在进行程序设计作业时，学生往往会互相抄袭，因为他们会遇到相同的问题。 不允许这种行为，因为这是个人作业，每个学生必须自己完成。 现有程序可通过源代码相似性来检测窃。 但是，很难检测到源代码中的相似性，尤其是在学生人数众多的情况下。 此外，最好在抄袭发生之前加以预防。 开发了“ Anti-Plagiarism Graph Generator”程序，以防止在“ Graph Theory”课程编程作业中出现抄袭。 预防是在学生开始进行编程作业之初就进行的。 这是可能的，因为学生将根据学生的身份证号码获得不同的问题集。 学生将使用此程序生成自己的图形。 之后，学生将使用他们独特的图形来完成编程作业。

OSG 发展至今以来，以非常惊人的速度在 VR 行业占据非常重要的地位，其开源、易学、易用的特性使 其在短期内取得了很大的成功。但是国内外还没有关于 OSG 的入门参考书出版，希望本书能给广大初学者 以帮助。 OpenSceneGraph 从字面上看只是一个场景管理系统，从某种意义上讲，OSG 的对三维动画等等的支持 还不是很强，打个比方来说：OSG 不适合做游戏引擎。因此工业控制，城市规划，机械仿真等方面 OSG 可 以带来极大的方便。 学习 OSG 是一个系统的过程，初学者入门可以专著的学习各个功能模块，如离子系统，路径漫游，流 动纹理等等，完成某个功能往往需要一定大胆的想象与猜测、基于对 OSG 的理解以及对自己编程能力的自 信、在现有的基础上再加以创新，根据项目需要来组织各个模块，完成各项功能。 学习 OSG 大都是从研究 OSG 的例子开始，OSG 的源文件中有一些例子，国内 WWW.VRDEV.NET 论坛上 也有关于各种例子的介绍，是中国广大 OSG 爱好者的交流平台。官方网站上的例子往往会第一时间发布在： http://www.openscenegraph.net/osgwiki/pmwiki.php/Tutorials/Tutorials。 也可以在此处订阅邮件列表：地址：http://www.openscenegraph.net/archiver/osg-users/. 在本书的编写过程中，受到了郑州大学虚拟现实验室曹明亮与赵老师的大力支持与技术指导，由于作 者水平有限，时间极为紧迫，所以书中不足之处甚多，望广大读者遇到时能来信给予极时的纠正，本书的 初衷是学习 OSG 的功能，帮助初学者入门，并不是做一个成功的项目与完美的新功能，所以光盘的例子中 有许多需要注意的问题与 BUG，到时候会在各章指明。 作者 二零零七年三月二十四日

Unity 图表插件 官网链接:https://assetstore.unity.com/packages/2d/gui/multiple-graph-and-chart-ui-pack-198835 这是一款外观和功能兼具的Graph and Chart UI工具包，包含6个数据可视化场景和众多图表组件。 如果您正在寻找用于数据可视化的图形和图表设计，那将是您的不错选择。

图神经网络(GNNs)已被广泛应用于图表示学习的各个领域。然而，与所有其他神经网络模型一样，GNN也存在黑盒问题，因为人们无法理解其机制。为了解决这一问题，人们提出了几种解释GNN决策的方法。在本报告中，Simone Scardapane概述了最先进的GNN解释方法和如何评估它们