本文将利用相关的 Hodge 拉普拉斯矩阵的特征向量以及对应的单纯复形的关联矩阵进行 Hodge 分解，为观测数据提供梯度、旋度和谐波流形式的稀疏、可解释表示，从而解决了在图的边缘流中获得稀疏、可解释表示的问题，并通过引入一种高效的近似算法来解决本文介绍的细胞推断优化问题。实验结果表明，该算法在真实数据和合成数据上表现优于当前最先进的方法，并且计算效率高。
Sep, 2023
基于 Hodge 分解的对比自监督学习方法通过编码特定数据的不变性，利用简单神经网络生成具有适当光谱特性的正对比实例，从而获得反映数据谱特性的嵌入空间。与监督学习技术相比，我们在两个标准边流分类任务中取得了卓越的性能，强调了采用谱视角进行高阶数据的对比学习的重要性。
该论文提出将 Hodge Laplacian 与图神经网络结构相结合，用于分析流数据，具体应用于流插值和源定位问题。
Dec, 2019
使用图 Helmholtzian 和组合 Hodge 理论，基于边缘流的成对排名可以解析为两个正交成分，其中一个表示 L2 最优全局排名，而另一个表示无旋转流，同时还可以通过线性最小二乘回归计算离散的 Hodge 分解。
Nov, 2008
本文介绍了一种基于 Edge-Laplacian 的图信号处理工具，能够有效处理编码流动概念的边缘信号，提出的新滤波器能够实现 (近似) 流量守恒和降噪，举例说明了在伦敦街道网络上处理合成交通流的具体应用。
Aug, 2018
近年来，人们对开发图上的机器学习模型产生了相当大的兴趣，以考虑拓扑归纳偏差。本文超越二元关系的设置，研究多项关系，包括顶点、边和称为单元的推广之间的相互作用。我们提出了复杂细胞复合体上的高斯过程，这是图的推广，捕捉了这些高阶单元之间的相互作用。我们的主要贡献之一是推导出两个新的核函数，一个泛化了图马尔诺核函数，另一个额外混合了不同单元类型的信息。
Nov, 2023
基于高斯过程方法的解释性高斯过程框架用于数据驱动的计算超图的发现和完成，可应用于方程发现、网络发现和原始数据分析。
通过设计恰当的 Hodge Laplacian 归一化方法，将边缘之间的耦合进行推广，进而实现了更高阶相互作用的 Laplacian 分析，同时利用此方法提取海洋漂流器轨迹数据以及图书共购数据中的边空间信息。
Jul, 2018
本文介绍了高斯过程和深度高斯过程，并探讨了用于近似贝叶斯推断的不同变分推断模型及其优点和局限性。
Sep, 2019
提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。
May, 2019