本文提出使用基于图的神经网络模型实现化学制程中的故障诊断，在训练过程中构建图并使用不同的邻接矩阵来捕捉不同传感器数据之间的相关性和隐藏关系。研究表明该方法的性能优于传统的循环神经网络。

Oct, 2022

本文提出了一种基于协方差矩阵的图形表示方法，并定义了相似度测量方法，可用于社交网络的分类，同时该方法的计算效率高，可用于大规模实践，并对截断幂次迭代的研究提供了理论和实证支持。

Apr, 2014

该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

Sep, 2017

本文研究了复杂网络的图嵌入，发现该方法无法捕捉复杂网络的重要特征，尤其是低度和大聚集系数。通过数学证明和实证研究，本文认为这种图嵌入技术不适用于揭示真实世界复杂网络的结构特征。

Mar, 2020

本文介绍了一种张量框架来研究多层次网络，以及讨论了几种重要的网络描述符和动态过程的推广，包括度中心性、聚类系数、特征向量中心性、模块化、冯・诺伊曼熵和扩散。

Jul, 2013

将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。

Jun, 2022

本文介绍了一种新方法，将时间序列转化为复杂网络，从而分析复杂系统的结构特性，并发现了递归网络的拓扑属性与底层动态系统相统一的关系，这为了解时间序列的动态复杂度提供了新的定量特征。

Aug, 2009

本研究介绍了一种新的生物医学知识图谱（KG）表征框架，称为 Prime Adjacency Matrix（PAM），实现对知识图谱的高效网络分析，通过对不同生物医学知识图谱的使用和两个案例研究，我们证明了这种框架的适用性，能够以较少的时间和简单的方法的实现比原来的方法更好的结果。案例包括药物再利用和重要路径提取。

May, 2023

本文研究了实际应用中复杂网络的图形建模与欧几里得嵌入，以及这些低秩表示在网络分类问题中的性能表现。

Oct, 2022

分析了一种用于邻接矩阵的随机投影方法，研究其在表示稀疏图中的实用性，展示了这些随机投影保留了其底层邻接矩阵的功能，同时具有额外的特性，使它们作为动态图表示具有吸引力。特别地，它们可以在相同的空间中表示不同大小和顶点集的图，从而实现对图的聚合和操作的统一方式。同时提供关于投影大小需要如何扩展以保留准确的图操作的结果，表明投影的大小可以与顶点数线性扩展，同时准确地保留一阶图信息。最后，将这种随机投影描述为保持距离的邻接矩阵映射，类似于通常的 Johnson-Lindenstrauss 映射。

Sep, 2023