通过自反随机游走（SRRW）设计的随机游走者，结合采样和邻域探索的马尔可夫链蒙特卡罗（MCMC）过程，近似目标分布，并在一定程度上提高采样方差

May, 2023

本文提出一种新的 $m$- 维随机游走采样方法，称为前沿采样，该方法在大规模实际网络图中表现出更低的估计误差，并且比随机顶点采样更适合采样图的度数分布尾部。

Feb, 2010

本文提出了一种新的算法 Waddling Random Walk（WRW），用于估计任意大小的图相对浓度，并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集，该算法在速度、精度和准确性方面都优于当前最先进的挖掘子图统计算法。

May, 2016

使用一种非线性 Markov 链 - 即自排斥随机游走（SRRW）驱动分布式随机优化算法，证明了该算法的迭代误差趋于零，同时导出了迭代误差对应的渐近协方差矩阵的显式形式。

Jan, 2024

我们提出了一种基于随机游走的新方法，用于超图上的标签传播，其中我们将节点距离估计为随机游走的预期命中时间，并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试，结果显示在目标数量较小的情况下，FRW 在运行时间上具有明显的计算优势。最后，我们分析了我们方法的时间复杂度，并表明对于大型稀疏的超图，复杂度近似为线性，优于 DeepWalk 的替代方案。

Jan, 2024

通过对给定的可逆算法构建不可逆变形来改善从已知分布中的采样效率，并测试在通过一个自旋团簇示例上设计的不可逆版本 Metropolis-Hastings (IMH) 上。

Sep, 2008

我们提出了一种新的准蒙特卡洛机制，用于改进基于图的采样，称为斥力随机游走。通过在相互作用的集合中引入轨迹之间的相关性，使其边际转移概率不变，我们能够更高效地探索图，并提高统计估计量的集中度，同时保持其无偏性。该机制具有简单易用的实现方法。我们展示了斥力随机游走在估计图核、PageRank 向量和图图案集中度等各种环境中的有效性，并提供了详细的实验评估和稳健的理论保证。据我们所知，斥力随机游走是第一个对图上行走者的方向进行严格研究的准蒙特卡洛方案，在这个令人兴奋的初创领域中引发了新的研究。

Oct, 2023

我们提出了一种新颖的准蒙特卡罗机制 —— 排斥随机游走，该机制通过在一个交互集合的轨迹之间引入相关性，使它们的边际转移概率保持不变，从而能够更有效地探索图形，提高统计估计的集中度，同时保持其无偏性。我们展示了排斥随机游走在一系列设置中的有效性，包括图核的估计、PageRank 向量和图结构浓度。我们提供了详细的实验评估和稳健的理论保证。据我们所知，排斥随机游走是第一个对图中行者的方向进行严格研究的准蒙特卡罗方案，为这个令人兴奋的新领域带来了新的研究。

Oct, 2023

本文提出了一种基于 GPU 的图采样 / 随机游走框架，旨在解决传统图处理技术难以有效应对规模较大图形的问题，并介绍了度中心的并行选择和碰撞迁移两项新的优化措施，以及解决超出 GPU 内存容量的采样所面临的问题，并成功地实现了长时间趋于最优的效果。

Sep, 2020

该论文提出了一种名为 Metropolis-Hastings Data Augmentation（MH-Aug）的新型框架，利用 Metropolis-Hastings 算法从一个显式目标分布中抽取增强的图形，实现对图形神经网络进行半监督学习，从而改善了 GNN 的性能。

Mar, 2022