本文引入了一种新的聚类范式 —— 模式聚类，该文章探讨了模式聚类在社交网络社区分析中的应用，以及通过模式覆盖算法实现的重叠聚类与潜在特征推断等问题。
Dec, 2016
本研究基于图形图案研究了新的图聚类方法，特别是针对三角形图案的发现，扩展了已有的聚类方法，包括谱聚类，以最小化由聚类划分而不是由边缘切割的三角形数量。研究结果表明，我们的方法在机器学习和图形挖掘中具有良好的现实效果。
Jun, 2016
本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题，并在七个真实数据集上的实验结果证明了 MOGC 的有效性。
May, 2024
该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。
Nov, 2017
本文提出了一种基于抽样的算法，有效地从大规模网络中准确估算子图统计量，并展示实验结果表明其能更加快速地完成与现行技术相同准确度的查询量（样本量）
Jun, 2013
LambdaCC 和 MotifCC 是两种变体的相关聚类问题，应用于网络分析和社区检测，我们提出了两种非平凡的逼近算法来解决该问题，其中我们提出了两个算法来改善先前的逼近结果，同时还研究了在构造两个簇的限制下的逼近结果，其中 MotifCC 应用于超图设置。
Sep, 2018
通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。
Dec, 2020
本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。
Nov, 2018
介绍了一种新的半监督学习框架，名为 InfoMotif，可有效提升 GNN 的性能。该框架通过节点在网络中存在的结构角色来实现节点表示的优化，同时通过最大化互信息来实现任意 GNN 的零计划独立性。经过实验测试，InfoMotif 在 6 个真实世界数据集上取得了显著的准度提升，特别是在局部邻域结构上具有稀疏标签和多样属性的节点。
Sep, 2020
本文使用图的拓扑结构，提出了一种基于 3、4、5 阶 motif-based features 的监督分类算法来预测链接，实验结果显示在构建完好的分类数据集上使用现成的分类器，相较于之前基于拓扑结构和特征学习方法，准确率提高了 10 个百分点。
Feb, 2019