研究网络拆除问题，通过 随机图的解联通问题以及疾病传播理论得到最小的拆除集，使用 Min-Sum 算法有效的拆除网络并提出最优拆除集不是单个节点的问题。

Mar, 2016

网络中的关键节点对恶意攻击非常脆弱，容易引发负面级联事件，例如信息传播和疾病传播。因此，对关键节点进行有效的监管对于减轻此类恶意扩散造成的潜在损害非常重要。我们研究了从网络中删除 k 个边以最小化目标节点信息中心度而保持网络连通性的问题，并提出了三种近似贪婪算法，使用了基于随机游走的舒尔补近似和快速求和估计等新技术。我们的算法中的一种在边的数量下达到了几乎线性的运行时间。通过综合性的实验，在超过一百万个节点的合成和真实网络上，实验结果证明了我们提出的算法的有效性和效率。

Sep, 2023

该研究探讨了网络的连通性结构对节点移除的敏感性，通过矩阵一范最小化解决最大连通分量大小的问题，提出了一种基于贪心算法的节点移除方法并在美国电网数据集上验证了该方法的有效性。

Mar, 2014

本文提出了一种自我监督方法并设计了三个前置任务来指导自动边界分离，同时将其与下游节点分类任务一起训练，以促进通道的捕获可区分关系和邻域相互作用，并且输出它们作为节点表示。实验结果表明 DisGNN 在六个真实世界数据集上取得了显着的性能提升，为边缘分离和图学习提供了一种新的解决方案。

Feb, 2022

知识蒸馏在图取消学习领域具有重要作用，D2DGN 是一种模型不可知的蒸馏框架，通过使用响应为基础的软目标和基于特征的节点嵌入，最小化 KL 散度，有效消除已删除图元素的影响同时保留有关保留图元素的知识。实验证明，在各种真实世界图数据集上，D2DGN 在边和节点取消学习任务中的 AUC 性能比现有方法提高了高达 43.1％（AUC）。

Sep, 2023

本篇研究旨在寻找复杂网络中的最优关键节点，并提出了一种基于频繁项集的搜索方法来解决该问题，该方法结合了解决方案构建、人口修复、排名人口管理等模块，通过广泛评估表明其性能明显优于现有算法。

Jan, 2022

研究了网络离散动态系统中固定点对应的最小节点数优化问题，对于一些特殊情况提出了有效的解法，并采用启发式框架和贪心方法处理较大规模的网络并得出了实验结果。

Jan, 2023

本研究提出了一种使用本地存储计算的网络数据，并具有隐私保护的多层随机块模型的共识社区检测和估计的新方法，通过采用随机响应机制来扰动网络边缘，使用偏差调整程序进行去偏差矩阵的特征分解和 K-means 聚类。

Jun, 2023

通过使用一种新的算法来检测高影响力的用户，即使只知道社交网络的拓扑结构，攻击者仍能在社交网络中激起不和谐，我们证明了这种攻击是可能的。

Jun, 2023

本文聚焦于介绍社区检测在网络科学研究中不同的动机，指出社区检测的许多研究方向和未来的研究方向。

Nov, 2016