- 超图对比学习在异常事件检测中的应用
本文提出了 AEHCL（一种基于超图对 AHIN 进行异常事件检测的对比学习算法）来完全捕捉异常事件模式，并通过应用内部事件和事件之间对比模块来改进检测结果，该算法能够有效地提高平均精度（AP）和曲线下面积 (AUC) 分别高达 12.0％ - CVPR3Mformer：多阶多模态 Transformer 用于骨骼动作识别
该研究提出了一种使用超图模型的多阶多模态转换器来识别骨骼动作，并包括更高级别的运动模式及可训练的网络，在骨骼活动识别中优于 GCN、transformer 和超图等现有模型。
- 超图中的因果影响最大化
本研究提出了一种名为 CauIM 的新算法，通过重建每个节点的 ITE，并采用加权贪婪算法最大化受感染者 ITE 之和，以实现影响传播的合理目标。实验结果表明，CauIM 在超图流行度最大化方面表现卓越，超越了以前的 IM 和随机方法。
- 监督超图重建
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。
- WSDM股票运动预测中多种动力学和内部动力学的高效集成
本研究提出了一个用于预测股票走势的框架，利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模，并采用了基于小波基的超图注意力，实现了在效率与准确率上的平衡。实验结果表明，该框架在收益和稳定性方面超越了现有方法。
- 基于超图的多机器人任务和运动规划
该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。
- 深度超图结构学习
为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型 - EvolveHypergraph: 面向群体的动态关系推理预测轨迹
本文提出了一种群组感知的关系推理方法，命名为 EvolveHypergraph，通过推断动态演化的关系来预测多智能体轨迹，该方法在多个数据集上得到了最先进的性能，并提高了推理关系的可解释性和稳定性。
- 基于人工智能的有机化学高超图网络：网络统计和反应分类应用
本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。
- 时间感知归纳逻辑推理
本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。
- 通过（超）图划分进行本地模体聚类
本文针对基于分布的局部聚类问题，提出了结合超图和图模型的新方法，通过组合优化算法求解，并在三角形图案实验中表现出了较高的性能表现。
- SIGIR超图对比协作过滤
提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。
- ACL基于超图变换器的基于知识的视觉问答的弱监督多跳推理
本文提出了一种新的基于超图的模型，用于解决知识库视觉问答中的多跳推理问题。该模型可以将高级问题的语义和知识库相结合，并通过超图内部和跨越两个超图之间的关联编码来预测答案。我们的实验证明了该方法的有效性。
- 元数据指导下的超图模型用于非监督人员再识别
该研究提出了一种新的无监督人员重识别方法，使用元数据信息构建超图进行特征学习和标签细化，并采用标签传播方法和基于内存的列表损失对重识别结果进行有效的细化和优化。对三个基准测试的广泛实验显示出该方法对现有方法具有显著提高。
- 超图边表示学习
该研究提出了一种基于双超图转换的边表示学习框架，将图中的边转换为超图的节点，并应用基于消息传递的技术进行边的表示学习和综合，并将其应用于图表示和分类中。结果表明该方法优于现有的图表示和汇聚方法。
- IJCAIUniGNN：一种用于图和超图神经网络的统一框架
本文提出了 UniGNN 框架，使得现有的图神经网络能够直接应用于超图，并证明了该框架比传统算法更有效地处理超图数据。
- CVPR基于多粒度超图的视频人员再识别学习
本研究提出了一种新的基于图的框架，即多粒度超图（MGH），通过建模多个粒度的时空依赖性来追求更好的表征能力，从而解决视频中人员再识别任务中的关键问题，并且通过多种基准测试表现出了优异的性能。
- 生成式超图聚类：从块模型到模块度
本文提出了一种基于泊松度校正超图随机块模型（DCHSBM）的聚类方法，该方法利用最大似然推断来实现超图聚类，其聚类目标扩展了图的流行性目标，使用了一种新的基于节点整合的变化，具有高可扩展性。通过综合分析各种实验数据，包括学校联系网络、U.S - 超图的节点和边的非线性特征向量中心度
本论文介绍了一种基于超图的谱中心性测量方法，利用非线性 Perron-Frobenius 理论计算超图中的重要节点和超边。
- 单纯二维复形卷积神经网络
在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。