- 高阶路径上的神经消息传递
本文介绍了一种基于图神经网络的新模型，利用更高阶的路径传播信息，可以更准确地预测分子的一些性质，比如化学基团和分子几何结构等方面。
- 弱监督目标检测的物体实例挖掘
本文提出一种基于 end-to-end 的物体实例挖掘框架，通过引入空间和外观图上的信息传递，尝试检测每张图像中可能存在的所有物体实例，以解决针对仅有图像级注释的弱监督物体检测（WSOD）的性能问题，并在 VOC 2007 和 2012 两 - WWW基于扩散模式的 Twitter 谣言真实度判定
本文探究通过信息传播模式判断未经证实谣言真伪的有效性，并使用图形核从 Twitter 级联结构中提取复杂的拓扑信息，训练出具有高准确性的预测模型。结果表明，团体的共享模式可以揭示谣言的真相或虚假性，即使在谣言传播的早期阶段。
- AAAI级联尺寸分布：重要性及高效计算方法
介绍了一种计算加权定向网络中独立级联模型级联大小的概率分布的高效消息传递算法，能够精确处理树型网络、可以应用于任意网络拓扑，能够良好逼近本地树状网络，并在更密集的网络上表现出惊人的性能表现。
- 流式图神经网络
本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。
- SIGIR社交网络中的 Top-K 影响节点：游戏视角
本文从博弈的角度研究影响最大化问题，提出了一个协调博弈模型，并在该模型下研究了影响最大化的难度和贪心算法的逼近保证。实验结果表明，优化后的算法比其他启发式算法快三个数量级，并且大大优于原始贪心方法。
- 最大化社交网络中曝光的多样性
本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性，以确保用户暴露于不同的观点，而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素，该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集 - 深度神经网络初始化和激活函数的选择
这篇论文研究了深度神经网络的权重初始化和激活函数对其训练性能的影响，证明了边缘混沌状态具有优异的表现，同时提出了一类叫做 Swish 的激活函数，可以优化信息传递。
- 模块化结构中的统计学习：更好的协同作用？
本文研究为何在误定义环节下，模块化方法比完整模型更可取，并提出选择模块化和完整模型方法的原则标准。
- SIGIR分析跨语种维基百科文章对的时间演变
研究称，维基百科不同语言版本中表示实体或主题的文章独立演变，会产生不同观点的反映，需要对信息如何跨越维基百科语言版本进行分析，以支持质量控制。为了便于分析，研究者提出了一个名为 MultiWiki 的新型基于 Web 的用户界面，可以在时间 - Hashkat: 大型在线社交网络模拟
Hashkat 是一个免费、开源的模拟软件包，旨在模拟大型在线社交网络，以研究其成长和信息流动，包含动态代理生成、边缘创建和信息传播等功能，可用于了解社交网络的基础拓扑结构，验证采样方法，开发在线社交网络广告业务策略，并在生产前测试新的功能 - 社交媒体基因组：模拟社交媒体中个人特定主题行为
本研究提出了一种用于描述社交媒体用户兴趣、活动和敏感度的基因型，基于该基因型的信息扩散分类方法能显著优于传统的基于静态关注者结构的分类方法，同时还能获得更加准确的影响预测和信息传播延迟最小化策略。
- WWW社交网络在信息传播中的作用
本文研究在线社交网络中的信息传播，包括在一项大规模实地实验中，随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者，发现那些接受信号的人更有可能更快地传播信息。同时，研究了强弱关系在信息传播中的作用，发现尽管强联系人更有影响力，但更丰富 - 调查：树上的信息流
本文调查了在树网络及独立信道上传输信息的情况下，应用有限马尔可夫链、统计学、统计物理、信息理论、加密和噪声计算等技术研究出树的第 n 级配置对根变量的信息具有何种显著作用的问题，涵盖了相关进展和挑战。