本研究证明：在一个有限维的随机点积图的归一化拉普拉斯矩阵的 $d$ 个最大特征值所对应的特征向量的组成部分符合中心极限定理。作为推论，我们证明了对于随机块模型图，归一化拉普拉斯矩阵的谱嵌入的行收敛于多元正态分布，并且每个行的均值和协方差矩阵是其所对应顶点块成员的函数。与邻接矩阵的特征向量的先前结果一起，我们通过多元正态分布之间的 Chernoff 信息比较了嵌入方法选择对后续推理的影响，演示了嵌入方法都不占优势，因此推断潜在块分配的任务无法通过这些嵌入方法获得显著提升。

Jul, 2016

研究了针对图嵌入方法的样本外推问题，通过最小二乘方法和极大似然方法得出的新数据点嵌入向量近似服从中心极限定理及浓度不等式，并提供了一个既简捷又精确的计算成本与估计精度权衡框架。

Sep, 2019

本研究通过计算每个图中的小诱导子图的频率来制定和分析这种表示，发现子图频率空间不仅受其组合属性的制约，还受其实证属性以及社会图在空间中实际位置的影响，并提供了灵活的框架和分类算法，以研究这些方面。

Apr, 2013

针对基于三元或四元距离比较嵌入点的问题，以及只提供局部比较的变体问题，本文在最近关于序数嵌入的研究基础上，得出了大样本一致性结果和收敛速率，并受到其他相关研究的启发，对需要实现一致性所需的比较次数进行了限制。

Jan, 2015

本研究探讨在线社交网络与开放知识库之间的联系，提出一种基于多模态贝叶斯嵌入模型的算法 GenVector，通过学习潜在话题和生成单词和网络嵌入来将两种不同的数据形式，在共享潜在话题空间中表示。在三个数据集上的实验表明，该算法明显优于现有方法，并在 AMiner 上部署，显著降低了在线 A/B 测试中的错误率。

Aug, 2015

本研究提出了针对图中节点嵌入的 out-of-sample extension 问题的两种解决方案，并在随机点积图的情况下，证明了这两种方法的正确性，并给出了最小二乘估计的组合中心极限定理的证明。

Feb, 2018

该论文证明了关于任意维度下服从次高斯分布概率测度间的熵最优输运问题的统计学基础边界，提出了新的样本复杂度结果并建立了熵最优输运的收敛速率，成功地将其推广至无界测度下，并通过 Del Barrio 和 Loubes（2019）的技术建立了熵最优输运的中心极限定理，进一步提出了一种新的技术用于估计高斯噪声干扰下随机变量的熵。

May, 2019

本文介绍了一种半正交嵌入模型，用于无监督异常分割任务。该模型使用预训练卷积神经网络中的多尺度特征来计算局部马氏距离，使用随机特征选择的方式对多维协方差张量进行逼近，从而极大地降低了计算开销，实验结果表明该方法在多个数据集上表现显著优于现有最优解。

May, 2021

本文介绍了一种通过动态的边缘曲率来描述网络几何性质的方法，展示了网络演化中的瓶颈边缘和信息传播过程，利用该方法成功地推导出了多尺度社区结构。

Jan, 2021

本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案，利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述，揭示了一个自然的对策，实现了一致的双样本测试。本文还证明，对于某些网络统计量，所提出的测试是最小最优的。

May, 2017