- 用无标度网络几何解释印度股票市场
本文使用机器学习技术将印度股市嵌入到一个双曲空间中进行分析，通过统计分析嵌入网络的双曲距离和双曲最短路径距离，我们能够清楚地区分市场的稳定期和波动期，并通过嵌入网络的模块性早期发现重要的市场变化，最后，这种嵌入能够有效地将市场各个部门进行聚 - 浅层 ReLU-like 神经网络的损失景观：静态点、鞍点逃逸和网络嵌入
我们研究了使用经验平方误差训练的一层隐藏层神经网络的损失景观。我们提出适用于非可微和可微情况的站点条件，并显示如果静止点不包含 “逃逸神经元”，则它必须是局部最小值。此外，我们的研究还能够全面讨论网络嵌入如何重塑静止点。
- 自适应网络嵌入聚类分子能量景观
通过应用最近发展的网络嵌入技术，以压缩系统维度来实现小分子化学空间的高效探索，我们提出了一种数据驱动的方法，通过聚类分子结构的势能景观，获得通过嵌入函数定义的潜在变量。为了提高方法的扩展性，我们还结合了一种基于 Metadynamics 和 - 使用随机游走的稀疏近似进行网络嵌入
提出一种基于交通时间的网络嵌入的高效数值实现，使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法，并对绿函数的低维表示进行采样，计算节点嵌入，并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性，并比较了其在效率和 - 多网络随机游走
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。
- 将亿万个参数更新加速至毫秒级的动态网络嵌入
提出了一种新的动态网络嵌入范式，即通过旋转和缩放嵌入空间的轴而不是逐个节点更新来实现动态网络嵌入，其中运用了动态个性化 PageRank 方法来增强节点嵌入和动态捕获更高阶邻居信息，并通过对不同规模动态图上节点分类、链路预测和图重构的实验表 - KDD网络嵌入的联想学习
本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法，通过节点内容和其邻居之间的关联来构建记忆，使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测，并与传统矩阵分解和深度学习方法进行了比较。
- 大规模隐私保护网络嵌入：针对私有链路推断攻击
本文提出了一种针对保护隐私的网络嵌入方法，使用干扰原始网络的方式来减少泄漏隐私链接的风险，并通过量化隐私增益和效用丢失来确定最佳干扰方案，以获得最优的隐私效用权衡。
- NECA: 针对分类数据的嵌入式深度表示学习
本研究提出了 NECA，一种针对分类数据的深度表示学习方法，它将网络嵌入和深度无监督表示学习基础上，深度嵌入属性值之间的内在关系，并显式地用数值向量表示数据对象。NECA 可支持如聚类等重要的下游数据挖掘任务，并通过广泛的实验分析证明了其有 - 无监督网络嵌入超越同质性
SELENE 框架通过异质性适应的自我监督学习目标函数优化网络的学习，设计了双通道特征嵌入管道以分辨 r-ego 网络，提高了节点嵌入的质量，从而在同质和异质环境中分辨连接的异质节点，集群准确度提高了 12.52%。
- WWW深度部分多重网络嵌入
本文提出了一种新颖的深度部分多重网络嵌入方法，利用自编码器神经网络，共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入，以处理不完整的多重数据，并在节点分类，链接预测和聚类任务中展示了卓越的性能。
- 异质性匿名行走在异构结构的表示学习
本文研究网络不同结构的表示学习方法，设计了异构匿名游走技术和异构匿名游走嵌入方法，实验结果表明这些方法可以显著提高学习效果，并应用于大规模网络中。
- REFINE: 随机范围网络嵌入寻找器
该论文提出了一种名为 REFINE 的算法，该算法利用随机矩阵分解技术对庞大的节点进行嵌入，以提高网络表示的效率和准确性。该算法基于跳字模型，使用正交约束和矩阵分解技术，使用随机阻塞 QR 分解快速获得节点表示。此外，该算法还设计了一种简单 - KDDApache Spark 中的大规模网络嵌入
本文提出了一种使用 Apache Spark 的高效有效的分布式算法，用于处理大型网络嵌入问题，并在朋友推荐和物品推荐的场景中展示了该算法的高效性和性能。
- WSDM网络嵌入的对抗训练优化视角理解与改进
本文从优化的角度理论上解释了 Adversarial Training for Network Embedding 的优秀结果，提出了新的激活函数，通过在四个真实网络上的实验验证表明该方法在节点分类和链接预测任务中优于现有的基线方法。
- 节点邻近性是必要的：统一的结构和位置节点以及图嵌入
本篇论文介绍了 PhUSION，这是一种用于计算结构和位置节点嵌入的基于接近度的统一框架，通过聚合节点嵌入，得到模拟先前的图特征学习和核方法丢失信息的图层次特征，主要适用于节点和图层次的机器学习。
- KDD探究和评估结构节点嵌入
本研究探讨基于节点等价性的结构嵌入技术，并提供了严谨的内在和外在评估方法，发现节点邻域度数分布可以成为简单却有效的基准，并希望这些发现能够影响节点嵌入方法的设计并促进更全面和公正地评估结构嵌入方法。
- AAAISDGNN：学习有向带符号网络节点表示
本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。
- 将节点结构角色身份嵌入到双曲空间中
本文探讨网络嵌入在双曲空间中的应用，提出一种新的框架可以在超空间嵌入节点的结构角色，并在实际网络中进行了评估，结果表明超空间比欧几里得空间更有效地学习节点的结构表示。
- MultiVERSE：一种多重和多重异质网络嵌入方法
本研究提出了一种名为 MultiVERSE 的快速和可规模化的多重网络嵌入方法，旨在从多重和异构多重网络中学习节点嵌入。 在生物和社交网络上对 MultiVERSE 进行了评估，并展示了其在链接预测和网络重构任务中的有效性。