提出了一种基于随机游走的灵活的超图数据聚类框架，该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重，我们说明了如何构建不同的超图拉普拉斯矩阵，并针对多个真实应用程序中的数据集进行了比较试验，结果表明该方法产生了更高质量的聚类结果。

Jun, 2020

提出了一种灵活的超图 1-Laplacian 定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类，可以实现比传统 Laplacian 更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图 1-Laplacian 等效于相关图的 1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。

Apr, 2023

本文通过研究高阶超图随机游走，介绍了一组超图拉普拉斯算子以统一超图的不同版本，证明这些拉普拉斯算子的特征值可以有效地控制高阶随机游走的混合速率，推广距离 / 直径和边界扩展。

Feb, 2011

本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。

Nov, 2019

提出了 GHSC 框架，它不仅处理具有边独立顶点权重（EIVWs）的超图，还处理具有边相关顶点权重（EDVWs）的超图，并能够利用现有的 GCNN，从而大大简化了超图神经网络的设计。

Mar, 2022

本研究提出了一个参数的随机游走过程，应用于超图领域，探索了不同超图投影的随机游走过程的社区结构，并针对人工及真实超图采用了广义 Markov 稳定性框架的实验测定。

Oct, 2020

本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。

Jun, 2019

本文介绍了一种有效的算法，可以基于动态图扩展随机游走技术用于顶点表示学习，并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。

Jan, 2019

介绍了一个广义图拉普拉斯算子，旨在研究超图的特定组合属性，如多路扩展和直径，并使用扩散过程和程序化最小化器来优化 Cheeger 不等式和 k-th 程序化最小化器。

May, 2016

本研究通过随机微积分分析了基于拉普拉斯变换的击中时间度量法，并将其与布朗运动上的击中时间对应，证明该方法在处理几何图的基础度量、保留聚类倾向以及抗随机添加非几何性边缘方面具有优越性。

Nov, 2015