您引用的论文的作者使用术语基于图形的半监督学习 (G-SSL)来指代以图形结构化数据作为输入的半监督学习技术。

鉴于他们的主要示例 MNIST 数据集不是图形结构的，他们详细介绍了一种转换原始欧几里得数据的方法$X$进入所述形式（由其邻接矩阵表示$S$)，然后计算拉普拉斯算子$L$这张图：

我们考虑基于图的半监督学习（G-SSL）问题。输入包括标记数据$X_{l} ∈ \mathbb{R}^{n_{l}×d}$和未标记的数据$X_{u} \in \mathbb{R}^{n_{u}×d}$，我们定义了整个特征$X = [X_{l}; X_{u}]$. 表示标签$X_{l}$作为$y_{l}$，我们的目标是预测测试数据的标签$y_{u}$. 学习者应用算法$A$预测$y_{u}$从可用数据$\{X_{l}, y_{l}, X_{u}\}$. 这里我们限制$A$标记传播方法，我们首先生成一个带有邻接矩阵的图$S$来自高斯核： $S_{ij} = \exp(−γ\lVert x_i − x_j\rVert ^{2})$, 其中下标$x_{i(j)}$代表$i(j)$- 第行$X$. 然后图拉普拉斯算子由$L = D − S$， 在哪里$D = \text{diag}\{\sum_{k=1}^{n} S_{ik}\}$是度矩阵。

• 基于图的半监督学习的数据中毒攻击统一框架（2019）

这与其他文献中使用的术语一致：

用于节点级分类的半监督学习。 给定一个网络，其中部分节点被标记而其他节点未标记，ConvGNNs 可以学习一个强大的模型，该模型有效地识别未标记节点的类标签 [22]。为此，可以通过堆叠几个图卷积层和一个用于多类分类的 softmax 层来构建端到端框架。

• 图神经网络综合调查（2019）