本研究介绍一种基于相互信息最大化的空间时间深度图形信息增强模型，致力于解决结构变化频繁的交通、基因等复杂地理信息系统的表征问题，并证明其可显著提高空间时间自回归预测模型的预测性能。
Apr, 2019
提出了一种名为 DIAGC 的新型多视图图聚类方法，引入了特定信息重构、互信息最大化和自监督聚类模块来增强图神经网络的能力，实现对多视图数据进行更精确的聚类。
Nov, 2022
本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。
Feb, 2020
本文提出了一种基于互信息的神经编码器（MIND）来优化数字通信系统中的检测 / 解码问题的最优神经架构。
May, 2022
提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。
Mar, 2024
Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。
Sep, 2018
通过统计学的角度研究了有向图聚类问题，将聚类问题建模为有向随机块模型（DSBM）中估计底层社区的过程，并通过最大似然估计（MLE）推断出给定观察到的图结构的最可能的社区分配。此外，还建立了该 MLE 公式与新型流优化启发式算法之间的等价关系，该算法同时考虑了两个重要的有向图统计量：边密度和边方向。在此基础上，提出了两种高效且可解释的有向聚类算法，即谱聚类算法和基于半定规划的聚类算法。我们利用矩阵扰动理论中的工具给出了谱聚类算法中被错误聚类的顶点数量的理论上限。通过在合成数据和真实世界数据上定量和定性地比较我们提出的算法与现有的有向聚类方法，从而进一步验证了我们的理论贡献。
本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。
Mar, 2018
本研究探讨了模块性最大化方法在图聚类中的潜在成功，将模块性最大化与图对比学习联系起来，提出了一种基于社区感知的图聚类框架 MAGI，通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息，同时避免了语义漂移问题。广泛实验证实了 MAGI 在多个图数据集上的可扩展性和聚类性能，表现优于现有的图聚类方法，并且在大规模图上具有优越的性能。
Jun, 2024
本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。
Feb, 2023