本文通过实证研究探索了多个领域的真实超图数据集，并引入多级分解方法，探讨了其五个结构特性，为超图生成问题建立了基础，并提出了一个简单而有效的超图生成器模型。
Jun, 2020
本文提出了两种基于个性化 PageRank 的超图聚类算法，它们都具有输出顶点集合对导纳有理论保证的优点，并在解决方案质量和运行时间方面优于现有方法。这是第一篇在具备理论保证的情况下实现了超图聚类的实用算法。
本文提出了一种基于组合目标函数的计算框架，用于聚类在分类间具有超图的复杂关系的节点，特别地，解决了超边标签的聚类，其中簇对应于经常参与相同类型的交互的节点组。
Oct, 2019
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
我们的研究引入了一种创新的基于超维计算的图学习方法，与图神经网络和 Weisfieler-Lehman 图核心相比，在癌细胞识别等应用领域取得了可比拟的结果，并且在训练和推断阶段实现了显著的加速和资源效率的提升。
Mar, 2024
论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。
Oct, 2020
本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。
Jul, 2023
本文提出了一种有效的超图重构方法，该方法结合了超图的分布分析、采样策略和超边分类器，能够从现有的图数据中重建出真实超图，表现优于所有基准方法。
Nov, 2022
为了将空间（邻域）和双向分层关系以及样本的特征和先验信息纳入他们的分类中，我们针对三种变型的多分辨率邻域图以及分层条件随机场图制定了分类问题。
Jun, 2023
本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。
Jun, 2019