通过引入双网络的反向传播方法和将网络中的层激活视作概率分布的参数，本文提出了一种解决反向传播中锁死和权重传输问题的新方法，从而实现对大型网络的分布式高效训练。相应的实验结果表明了其在多种任务和结构上的优越表现。

May, 2023

本文介绍了 PropNet—— 一种可学习的动力学模型，能够在部分可观测场景下进行模型控制，并实现信号的即时传播。实验结果表明，与其他学习物理引擎相比，PropNet 的前向模拟性能更好，在各种控制任务中也表现出更高的性能。与现有的模型无深度强化学习算法相比，使用 Propagation Networks 实现模型控制更准确、有效，且更具普适性。

Sep, 2018

本研究介绍了局部传播的方法，通过建立图来传播自身和标签，同时在少量数据情况下具有传导推断的能力，从而可以提高准确性。

Jan, 2021

该研究论文研究了学习图神经网络（GNNs）的信息传播策略的问题。为了克服图神经网络面临的传播策略定义问题，研究人员提出了一种学习传播框架，可以明确学习不同节点和各种类型图的易于理解和个性化的传播策略。通过对多种图基准进行广泛实验，结果表明该方法相较于其他最先进的方法具有显著的提高和在 GNNs 中能够有效地学习个性化和易于理解的传播策略。

Oct, 2023

本研究提出了一种空间传播网络，用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型，可以精确构建空间变化的转换矩阵，作为精确构建全局对偶关系的亲和矩阵，从而建模图像的密集、全局对偶关系。此网络是一个通用框架，可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。

Oct, 2017

本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服了解耦后的 GCN 的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。

Oct, 2020

本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。

May, 2022

本文用于分析分布式情况下的非线性滤波问题，提出了一种针对多任务场景的基于核的算法，并对其进行了模拟基准测试，最后详细说明了目前尚未解决的问题和未来的研究方向。

Apr, 2017

提出了一个简单而有效的个性化联邦学习框架，通过将客户端分组为多个集群并基于服务器端的模型训练状态和数据分布构建连接集群的图，使用加权边更新节点的模型参数，然后设计了一种精确的个性化模型分配策略，以允许客户端从服务器端获取最合适的模型。在三个图像基准数据集和三种类型的合成结构化数据集上进行了实验，实验结果证明了该方法的有效性。

Jan, 2024

研究了非线性现象 $m$ 的扩散式网络学习问题，提出了一种非参数学习算法，仅需要局部代理的测量，并且仅仅在相邻节点之间进行信息传播。所提出的方式得到了非渐近估计误差界，通过模拟实验，展示了它的潜在应用。

May, 2023