用最新的非凸优化方法解决了 Random Dot Product Graph 的嵌入问题，并展示了其在网络表示学习中的有效性。

Jul, 2023

该研究论文从光谱嵌入的角度提出了一种基于随机点积图进行统计推断的全面范式。通过对多个实际应用进行研究，包括社交网络中的社区检测和分类以及由果蝇连结组的探索性数据分析中确定功能和生物相关网络特性，论文总结了一系列关于邻接和拉普拉斯光谱嵌入的收敛性和渐近正态性的现有结果，以及这些光谱嵌入在构建单样本和多样本假设检验方面的作用。该论文还探讨了光谱图推理中的一些基本课题和当前的开放性问题。

Sep, 2017

本文提出了一种新颖的有向图对比学习方法，称为磁拉普拉斯扰动有向图对比学习 (SDGCL)，通过磁拉普拉斯扰动获取两个结构差异的图像并使用节点级对比损失来最大化两个图像之间的互信息，该模型在四个真实数据集上的表现优于其他最新模型。

Jan, 2023

本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

Jan, 2021

本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

Oct, 2023

该论文提出了一种名为 SELO 的不同于 SDGNN 的链接符号预测结构，使用子图编码方法学习带符号有向网络的边嵌入，通过线性优化将子图嵌入到可能性矩阵中。在六个真实的带符号网络上，SELO 模型均表现出比现有基于特征和嵌入的方法更好的预测性能。

May, 2023

通过多种设计，将 GPNet 与 dilated convolution, multi-channel learning, self-attention score 和 sign factor 进行结合，以减轻 Graph Neural Networks 模型中存在的多种限制以及提高 semi-supervised 和 inductive learning task 的性能。

Sep, 2022

该研究介绍了一种名为磁签 Laplacian 的矩阵，作为有向网络的谱图神经网络（GNNs）的一种新颖有效的构建方式。实验证明，所提出的谱 GNN 可有效地结合了有向信息和签名信息，并在广泛的数据集上取得了领先的性能。

Sep, 2022

本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

Aug, 2018

本研究提出了一个通用框架，用于统一集中式和分布式场景下的多个基于梯度的随机优化方法，通过引入一个增光图，设计了一种合适的拓扑结构，使得 VR 和 GT 方法能够有效消除设备内外的数据异质性，并提供了一种统一的收敛分析。

Jul, 2022