本文介绍一种完全对称的关系模型，它引入了每个实体的无限维潜在变量作为狄利克雷过程模型的一部分，并扩展了中餐馆过程以适用于关系建模。该模型在三个应用中进行评估，并在复杂的关系模型中提供了显着改进的估计关系或实体描述属性的结果。
Jun, 2012
采用潜空间模型，利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展，应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据，通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。
May, 2020
本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。
本文描述了一种潜变量模型 -- 混合成员随机块模型，它扩展了关系数据的块模型，捕捉混合成员潜在关系结构，提供对象特异性低维表示。我们开发了一种快速近似后验推断的通用变分推断算法，并探讨了在社交和蛋白质交互网络中的应用。
May, 2007
本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。
Jan, 2011
使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系，可以发现重叠社区和社区间交互作用，并自动推断社区数量，实验结果表明其可扩展性和最先进性能。
Jan, 2015
本文提出了一种概率模型，其中潜变量既尊重模拟数据的距离又尊重其拓扑结构，利用生成流形的黎曼几何赋予潜空间具有明确定义的随机距离度量，这些随机距离通过对邻居图上观察到的距离进行筛选，尽可能地与其相似，最终实现主变量的不变性编码。
Jun, 2020
本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference，该模型能够表示并预测网络结构的演化，并在同质、双部分和异质网络的真实数据集上表现出优异的性能。
Nov, 2019
通过引入一种新颖的图网络架构，它对于保持相邻节点距离的所有坐标嵌入的任何变换都具有等变性，特别是在 $n$- 维中具有欧几里得和共形正交群等变性，从而使得所提出的模型相对于传统图形架构更加数据高效，并且本质上配备了更好的归纳偏差。我们表明，通过少量数据的学习，我们提出的架构可以完全推广到合成问题中的未见数据，而标准模型需要更多的训练数据才能达到可比较的性能。
Jun, 2021
该研究基于复嵌入提出了一种解决大型知识库中链接预测问题的方法，相对于其他模型而言，这种方法更简单且可扩展性好，同时在标准链接预测测试中保持了更高的性能。
Jun, 2016