本文提出了一种叫做 SINN 的混合方法，通过将物理有关神经网络的概念引入社会科学，将理论模型和社交媒体数据相结合，实现了对观点动态的预测。实验结果表明，SINN 方法在预测观点动态方面优于其他基准方法。

Jul, 2022

通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。

Dec, 2023

本文介绍了一种异步信息传递算法，利用单个同步信息传递迭代来推动最相关的边，使用基于有意义的稀疏节点邻域的节点自适应接受场，通过学习和组合不同大小邻域上的节点表示来捕获多尺度的相关性，并在五个现实世界数据集上提出了半监督节点分类的竞争对手，具有明显的统计优势和更快的运行时间。

Mar, 2020

为了更好地理解计算机视觉中的场景，我们提出了使用动态图消息传递网络来建模长程依赖关系，以超越本领域现有作品的效果。

Aug, 2019

本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。

Jun, 2015

图神经网络（GNNs）在建模关系型数据方面表现出显著的潜力，并被广泛应用于各个领域。图神经网络的关键机制是所谓的消息传递，其中信息从邻域迭代地聚合到中心节点。将消息传递过程类比为热扩散动力学可以从根本上理解 GNNs 的优势和局限，并进而指导模型设计。最近，出现了大量使用连续动态学的 GNNs 的作品，旨在解决 GNNs 已知的局限性，如过度平滑和过度压缩。在这项调查中，我们首次系统全面地审查了使用连续动态学视角的研究。为此，我们介绍了适应 GNNs 的连续动态学的基本要素，以及对图神经动力学设计的一般框架。然后，我们根据它们的驱动机制和基础动力学对现有作品进行了回顾和分类。我们还总结了如何在连续框架下解决经典 GNNs 的局限性。最后，我们确定了多个开放的研究方向。

Oct, 2023

本文提出了一种新的基于社会影响力和社会一致性的中心性衡量标准，并构建了一个新的动态观点形成模型，然后设计了一个算法用于在社交网络中寻找对其他节点有重要影响的小子集，实验证明该算法显著优于其他现有方法。

Aug, 2022

该文介绍了一种基于消息传递框架的应用，即面向自然语言处理的消息传递注意力网络（MPAD），并在 10 个标准文本分类数据集上进行了实验，结果表明其性能与现有最先进模型相当，代码公开可用。

Aug, 2019

本文提出一种推论机制，将生成的意见动态代理模型拟合到现实世界的社交信息中，不仅保留了基于代理的模型的优点（即因果解释），而且还具有在真实数据上进行模型选择和假设测试的功能。

Jun, 2020

本文提出了一种基于深度学习的动态意见推断模型 GCN-GRU 用于处理大规模网络中具有不确定性的意见，该模型通过融合多种意见并利用深度学习技术解决了主观逻辑模型存在的可扩展性、异构拓扑和时间依赖性的能力以及冲突证据的高度敏感性的局限，通过实验证明了其在四个实际数据集上的超越表现。

Oct, 2019