我们提出了一种基于神经扩散模型的微观级别的信息传播预测方法，它加入了注意机制和卷积网络的深度学习技术，能够更好地拟合真实世界的传播数据，并实现了相对改进高达 26% F1 分数。

Dec, 2018

图扩散方程与图神经网络紧密相关，并近期引起关注，作为一种分析图神经网络动态、形式化其表达能力并证明架构选择的原则性框架。本文通过探索图扩散方程在不同图拓扑存在下的外推与概括能力，向理解图神经网络的泛化能力迈出了一步。在现有基于图局部扩散的模型中，我们首先展示了其泛化能力的不足之处，这源于对拓扑变化的指数敏感性。随后的分析揭示了非局部扩散的潜力，它提倡在具有特定数据生成条件的情况下，通过在完全连接的潜在图上进行特征传播。除了这些发现，我们提出了一种新颖的图编码器骨干，即 Advective Diffusion Transformer (ADiT)，它受到具有封闭形式解和理论保证的 Advective 图扩散方程的启发，在拓扑分布转移情况下具有期望的泛化能力。这个新模型作为一种多功能图 Transformer，在各种图学习任务中展现出卓越的表现。

Oct, 2023

通过利用扩散信息和马尔可夫转移矩阵，本研究提出了一种名为 DANI 的新方法来推断社交网络的基本结构，并保留其结构特性，实验证明 DANI 在准确性和运行时间方面优于其他网络推断方法。

Oct, 2023

该论文介绍了一种使用 RTD（Representation Topology Divergence）比较 Recurrent SNN 模型之间分布式表示差异的新方法，探究了使用 STDP 训练的 RSNN 的学习能力以及异质性在突触动力学学习中的作用。

Mar, 2024

图神经网络（GNN）在节点分类中得到广泛应用，但最近的研究表明 GNN 对拓扑扰动如对抗攻击和边缘中断很容易受到攻击，为了克服这些问题，我们提出了一种新的标签推断框架 TraTopo，它结合了基于拓扑的标签传播、贝叶斯标签转换和随机游走的链接分析，并在稀疏图上超过了现有的 GCN 模型，在节点分类中表现出更高的准确性。

Jun, 2024

本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

Jul, 2017

介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

Nov, 2015

针对在网络上的信息 / 影响 / 疾病扩散，本研究提出了一种基于离散网络的连续时间过程模型，通过已感染节点的传染事件推断全局扩散网络的边缘和每条边缘的传输速率，进而预测、影响和抑制感染传播。该模型具有稀疏解决方案，无需参数调整，可轻松适用于规模在数千到数十万的网络，实验证实了该算法的效果良好。

May, 2011

本文提出了一种新的算法来训练递归神经网络，并将其与随机梯度下降进行了初步比较，结果表明该算法可以在更少的时代内实现与随机梯度下降相似的泛化准确性。该算法来源于与扩散方程相关的非凸优化理论，自然而然地产生了某些看似不相关的深度学习机制。

Jan, 2016

通过信息传播模型，研究电网中的级联故障；通过将传染概率与信息串联模型相关联，建立了稳健的故障扩散模型，有效地预测级联故障传播，减少大规模级联故障的风险。

Jun, 2024