在本研究中，我们揭示了网络的大规模拓扑结构和其局部子图结构相互定义和预测，证实了五个细胞网络中的直接测量结果，并且发现了两种不同类别的子图。此外，我们的研究还揭示了高度丰富的 I 型子图不能孤立存在而必须自然聚合为子图群簇，对我们了解所有复合网络中子图的起源和功能可能具有重要影响。

Aug, 2004

使用小子图的观察频率之间的关系，提出了一种基于三节点子图频率的社区结构存在简单检验方法，该方法能够在网络引导模型的零假设下，显示出渐近正态的检验统计量，并在纠正度量复合备选假设下具有接近于一的功率，此外，该方法亦可用于多元高斯数据的检验，并应用于社交网络、科学文章的引用网络和标普 500 公司之间的股票回报率的检测。

Oct, 2017

分析几何网络模型，提出了节点在点阵上排列的概念，并对 3 和 4 节点子图进行分析，发现许多真实世界的网络模式不仅仅是受到几何模型的影响，而是被选择为具有定义信息处理功能的基本电路元件。

Sep, 2004

本文介绍了一种计算机程序来生成具有超几何空间中随机几何图形模型的网络，并模拟其在不同网络结构特性方面的表现。

Mar, 2015

本文提出了一种基于抽样的算法，有效地从大规模网络中准确估算子图统计量，并展示实验结果表明其能更加快速地完成与现行技术相同准确度的查询量（样本量）

Jun, 2013

本文研究了序列图的收敛性，提出了左收敛和右收敛的概念，并在定义了一种适当的度量空间后证明了左收敛等价于度量空间的收敛。同时，本文还探讨了这些收敛概念在 Szemeredi 分割、大图采样和测试中的应用。

Jan, 2007

研究采用非欧几里得超几何模型来探讨复杂网络结构、度分布和拓扑性质，建立了网络结构与统计力学之间的映射，证明这种模型可以最大化网络传输效率，并且对于各种突发的破坏和损坏非常稳健。

Jun, 2010

本研究旨在探讨如何在当今大规模图形上开展可扩展性的图形处理，提出了一种新的图形坐标系统的设计空间，即通过将图嵌入到坐标空间的方式精确地近似节点距离，从而实现常数时间内的距离查询和最短路径查询，在 43 百万个节点的图中能提供更准确的结果，且可以很容易地扩展到定位节点对之间的最短路径，解决了大规模图形分析的难题。

Jul, 2011

GNNS 是一种基于图神经网络的新型表示学习框架，可以高效地采样子图并估算其频率分布，达到与现有方法相当的准确性和显著的加速效果。

Jul, 2022

分析具有随机坐标和任意维度几何空间中的图。使用最大聚类的大小数值方法得到关键的连通性。我们推导了一个群集系数的解析表达式，表明即使在无限维度下，这些图形与标准随机图形明显不同，包括与图形双分区相关的见解。

Mar, 2002