通过将网络看作几何对象并将网络中的社群视为几何分解，我们应用曲率和离散 Ricci 流的几何方法来分解网络社群。在具有基本真实社群结构的网络上测试了我们的方法，并实验验证了此几何方法的有效性。
Jul, 2019
本文介绍了一种通过动态的边缘曲率来描述网络几何性质的方法，展示了网络演化中的瓶颈边缘和信息传播过程，利用该方法成功地推导出了多尺度社区结构。
Jan, 2021
提出了一个新的端到端的对比式图聚类模型 CONGREGATE，通过构建一个理论上的异质曲率空间，并利用基于 Ricci 曲率的几何学图聚类方法，通过对比训练方法，成功地解决了图形聚类中的几何难点，并在真实世界中的图形上取得了最先进的成果。
May, 2023
本文从图的三角形存在性和相对频率这一基本重要属性出发，研究了三角形存在性与广义 Ricci 曲率在马尔可夫过程和度量空间中的应用，并探索了在图中以此推导出的曲率下界和曲率维数不等式。
Mar, 2011
本文介绍了一种通过离散图 Ricci 曲率来增强图神经网络（GNN）的方法，并验证了在 GNN 中引入曲率信息可以缓解过度平滑等计算问题，并且基于曲率的图边丢弃算法进一步提高了模型对异质图的适应性，在同质图和异质图数据集上均优于现有基准模型，证明了在 GNN 中引入图几何信息的有效性。
Jul, 2023
该论文对有向网络的聚类算法进行了深入的综述，介绍了基本概念和方法学基础，并从方法论原理和好的群集特性的角度讨论了聚类算法。此外，还介绍了图聚类结果的评估方法和指标，展示了有趣的应用领域，并提出了未来的研究方向。
Aug, 2013
本文介绍了一种基于有效电阻的离散曲率度量方法，并通过对节点和连边进行曲率度量，证明了其与多种离散曲率的关系，并在欧几里得随机图案例中证明其趋向于连续曲率。这种新方法不仅计算高效，且便于理论分析，具有在数学、网络科学、数据科学和物理学中应用的潜力。
Jan, 2022
这篇研究论文讨论了网络科学中一个重要的问题 —— 发现社群结构的方法和应用，分析了该问题的主要元素和当前已有的各种方法，重点介绍了统计物理学家们开发的技术。
Jun, 2009
通过将几何和拓扑学结合起来，曲率是一种功能强大且表达力强的不变量。我们开发了 ORCHID，这是一种灵活的框架，可以将 Ollivier-Ricci 曲率推广到超图，并证明结果曲率具有有利的理论特性，在不同领域的合成和实际超图上进行了广泛实验，证明 ORCHID 曲率不仅可扩展性强，而且有用于执行各种超图任务。
Oct, 2022
本文提出了一种曲率增强的图卷积神经网络，使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。
Jun, 2023