本文介绍了一种非马尔可夫随机过程，其稳态分布由张量特征向量给出。该随机过程的离散动态与连续动态系统相关，并用于人口遗传学、排名和聚类数据的几个应用以及纽约出租车轨迹数据的分析中。

Feb, 2016

本文综述了在网络上的随机游走的理论和应用，突出了单个和非自适应随机漫步器的简单情况。它探讨了随机游走的三种主要类型 —— 离散时间随机游走、节点中心的连续时间随机游走和边缘中心的连续时间随机游走，并深入讨论了一些应用，包括节点排名、社区检测、应答式抽样和选民模型等。

Dec, 2016

提出一种考虑项的重复性的 repeatable random permutation set ($ m R^2PS$) 模型，并构建一个基于其属性的决策支持系统模拟来展示其有效性。

Nov, 2022

通过对图的随机游走产生机器可读的记录，并通过深度神经网络处理这些记录，直接进行顶点级或图级的预测，我们重新审视了图上机器学习的一个简单思想。我们称这些随机机器为随机游走神经网络，并表明我们可以设计它们成为同构不变并具备概率下图函数的通用逼近能力。一个有用的发现是，只要顶点匿名，几乎任何种类的随机游走记录都保证了概率不变性。这使得我们能够以纯文本的形式记录随机游走，并采用语言模型读取这些文本记录以解决图任务。我们进一步使用马尔科夫链理论中的工具，建立了与消息传递神经网络的并行性，并表明随机游走神经网络在构建过程中减轻了消息传递中的过度平滑，而概率性不达到则表现为概率性不足。我们展示了基于预训练模型的随机游走神经网络能够解决图上的一些难题，如分离三阶通用 WL 测试失败的强正则图、计数子结构和在 arXiv 引用网络上进行传导分类，而无需训练。代码可在此链接中获取。

Jul, 2024

本文提出了一种基于多网络的随机游走算法 RWM，可用于网络嵌入、链路预测和局部社区检测，试验证明其在合成和真实数据集上的有效性和高效性。

Jul, 2023

本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。

Nov, 2019

提出了一种证据模式推理模型（EPRM），并引入了随机图集（RGS）和随机排列集（RPS）以建模复杂关系和表示更多事件类型，通过冲突解决决策实施的 EPRM 相对于平均速度决策优化了 18.17％的案例，有效改进了飞机速度排序。

Feb, 2024

本研究探讨在具有任意度数分布的随机不相关网络中的有偏随机游走过程，并推导了平稳占据概率和两个节点间的平均传输时间的精确表达式，同时探讨了循环搜索对传输时间的影响，为复杂网络上与运输相关问题的理论处理以及关键的数据包生成率的定量估计提供基础。

Sep, 2007

RPS 的熵的包络是通过计算 RPS 熵的上限获得的，与常数 e 和阶乘高度相关，通过降低计算复杂度提供了一种理解 RPS 物理意义的新方法。

Mar, 2024

我们提出了一种新颖的准蒙特卡罗机制 —— 排斥随机游走，该机制通过在一个交互集合的轨迹之间引入相关性，使它们的边际转移概率保持不变，从而能够更有效地探索图形，提高统计估计的集中度，同时保持其无偏性。我们展示了排斥随机游走在一系列设置中的有效性，包括图核的估计、PageRank 向量和图结构浓度。我们提供了详细的实验评估和稳健的理论保证。据我们所知，排斥随机游走是第一个对图中行者的方向进行严格研究的准蒙特卡罗方案，为这个令人兴奋的新领域带来了新的研究。

Oct, 2023