本文提出了一种基于泊松度校正超图随机块模型（DCHSBM）的聚类方法，该方法利用最大似然推断来实现超图聚类，其聚类目标扩展了图的流行性目标，使用了一种新的基于节点整合的变化，具有高可扩展性。通过综合分析各种实验数据，包括学校联系网络、U.S. 国会议案、合作购买行为的产品类别和网站浏览会话的酒店位置，作者发现该聚类方法能够恢复具有相应高阶结构的真实聚类。

Jan, 2021

本文提出了一种非参数分析网络的框架，基于一种自然的极限对象 —— 图源。我们证明了在一般条件下，图源估计的一致性，包括稀疏网络等重要的实际情况。我们使用档案似然方法，并将我们的结果与逼近理论、非参数函数估计和图限理论联系起来。

Sep, 2013

该论文提出了一种计算高效的方法，基于随机分块模型（SBA）对图形进行建模，对观察到的网络数据进行了一致的估计图谱，估计误差随着图形大小的增加而消失.

Nov, 2013

大规模图机器学习的图样本技术中，基于图坐标的信号采样算法和光谱聚类方法在图信号采样领域中表现良好。

Nov, 2023

本文研究了一种估计潜在变量下矩阵条件期望的方法 —— 使用图函数。通过对分段常数和 H"older 连续图函数的研究，提出最小二乘估计量和指数加权聚合的有限样本风险界。另提出使用 Lloyd 的交替最小化算法来近似该估计量。在合成数据集上进行的数值实验表明了该图函数估计器的良好性能。

Apr, 2023

通过引入显式的两层图状神经网络 (WNN) 架构，我们证明其能够用最少的网络权重近似带限信号在指定误差容限内，并且通过这一结果，建立了明确的两层 GNN 在收敛于图状函数的一系列充分大图上的可传递性。我们的工作解决了其他 GNN 结果中出现的维度诅咒问题，提供了处理各种大小图形数据的实际解决方案，同时保持性能保证而无需进行大量的重新训练。

Jul, 2023

本文提出了一种基于节点差分隐私的非参数块模型逼近算法，可以保护个体成员隐私信息而又能在保证正确性的前提下对高维稀疏网络的多路径割进行估算，并给出了误差界限。

Jun, 2015

通过超边的分布式 Kronecker 模型，我们可以快速、高效地生成具有非平凡聚类和高度不对称度分布的图形，从而可以将此模型成功应用于实际的网络数据中

Sep, 2018

本文考虑异质相互作用的扩散粒子系统及其大规模人口极限，其中交互是一种被底层图形表征的均值场类型，并以图上收敛。对于系统大小的增加以及底层图形的收敛，建立了大数定律的结果。极限由图上的均值场系统给出，包括独立但具有异质性的非线性扩散，其概率分布是完全耦合的。提供了这种系统的良好定义、连续性和稳定性。我们还考虑了一个不太密集的有限粒子系统的类比，通过消失率和适当的交互缩放得到。对于这些系统收敛到相应的图形上均值场系统，证明了大数定律的结果。

Mar, 2020

提出了一种由附加信息引导的新颖图聚类方法，将问题形式化为将观察到的图的 n 个顶点（要聚类）与 k 个顶点的模板图匹配，使用其边缘作为支持信息，并在正交矩阵集合上放松，易于找到 k 维嵌入。通过编码聚集的密度和他们的关系的相关先验，我们的方法在特别具有挑战性的情况下优于传统方法。

Jul, 2021