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
分析了现有的谱聚类扩展，发现现有方法在某些情况下不能恢复基础聚类，提出使用正负部分拉普拉斯矩阵的几何平均值可以超越现有方法并且可以高效计算。
Jan, 2017
本文研究了有正负交互作用的签名网络，提出了一种基于 Ginzburg-Landau 功能和扩展的有符号网络图拉普拉斯算子的扩散界面方法，在真实的签名社交网络中取得了较好的性能，并优于当前技术水平。
Sep, 2018
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
本文综述了多种通信性能度量方法，定义了通过考虑所有可能的路径来定义通信性能度量，使用矩阵函数并介绍了该方法在复杂网络中的应用，同时还包括局部性和计算效率的问题。
Sep, 2011
SIGNet 是一种针对有符号网络的嵌入方法，利用社会平衡理论建立目标函数，加上新的有针对性的节点抽取策略来维护高阶邻域的结构平衡，较其他方法更优，可以生成更丰富的有符号网络特征词汇以支持表达和推理。
Feb, 2017
本研究探讨了有符号网络，基于社交平衡理论构建了针对符号预测和聚类的方法，实验结果表明，将社交平衡理论的全局观点引入可以提高对有符号网络的预测和聚类效果。
Feb, 2013
本文提出一种基于离散特征值问题的谱算法，以发现有极性社群的有符号网络中两个极化社群，证明所提出的问题是 NP-hard 的，同时在真实世界现象的情况下验证了算法的有效性并证明其比非平凡基线更好、更快、能够扩展到更大的网络。
Oct, 2019
本文介绍了一种在带符号图中进行 $k$ 路分簇的原则性和理论上可靠的谱方法。我们的方法受到社会平衡理论的启发，旨在将网络分解为不相交的群体，使得同一组中的个体通过尽可能多的正边相连接，而不同组中的个体则尽可能多地连接负边。我们的算法依靠广义特征问题公式，为带符号的随机块模型提供了理论保证。数值实验表明，我们的方法在带符号聚类中比现有方法表现得更好，特别是在大量簇和稀疏测量图的情况下。
Apr, 2019
该研究在 Signed Networks 领域提出了两种基于弱平衡和强平衡的平衡度量，用于比较实际 Signed Networks 与理论建模的差异，并测试了使用平衡度量进行预测未知符号的能力。研究表明，这些度量能够较好地预测未知符号。