- MM基于图形的深度学习用于通信网络：一项调研
该论文综述了基于不同类型的深度学习模型（如图卷积神经网络和图注意力网络）在通信网络的各种问题中如何建模网络拓扑结构，并列出了每个研究的问题和解决方案的列表，并确定了未来的研究方向。此外，该研究是第一份聚焦于基于图的深度学习方法在涉及有线和无 - ICML周期全局平均化加速 Gossip SGD
本文介绍了一种名为 Gossip-PGA 的算法，该算法将定期全局平均合并到 Gossip SGD 中，通过控制平均周期 H，可以控制网络拓扑结构的影响，而此算法在大规模训练中存在这样的优点，它使得瞬变阶段的收敛速度优于 Local SGD - AAAI多智能体协议中的记忆影响
本文提出了一种名为 “内存共识协议” 的框架，运用内存可以加快一些多代理共识问题的收敛速度，理论分析了代理的初始意见对过程中不同选项胜出的概率的影响，同时对网络拓扑结构进行了实验研究。
- 具有新兴通讯的网络多智能体强化学习
本研究使用紧密联系的智能体通过互相交流离散符号彼此合作完成任务。通过分析他们之间的交流，证明了他们发展的语言与网络拓扑有关，并在交通控制器问题上实现了最先进的性能。
- MM通过图神经网络的反事实优化进行无线电力控制
通过利用网络拓扑结构创建图神经网络架构并使用反事实优化方法学习最优功率分配决策，实现在一定网络配置范围内，保证最低速率限制，达到平均用户速率和第 5 百分位用户速率之间的平衡。
- 深度强化学习遇见图神经网络：探索一种路由优化用例
本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的 - 线性函数逼近分布式时序差分学习的有限时间性能
本研究提出了一种分布式的 TD 算法，并对其性能进行了有限分析，探讨了对应于不同网络构型、折扣因子、步长和混合时间等因素的收敛速度和逼近精度的权衡关系。
- WSDM基于 Spring-Electrical 模型的链路预测
基于弹簧电力模型，提出了一种链接预测算法，通过网络拓扑学和欧几里得距离来评估具有较高预测准确性。
- MM混合软件定义网络中联合开关升级与控制器部署
本文提出了一个优化问题，旨在联合考虑 SDN 交换机和其控制器的部署，以最大化可以通过 SDN 控制和管理的流的数量，在给定的升级预算约束下最小化控制器和交换机之间的流请求传播延迟。作者提出了一些技术来加速解决该问题的全局优化求解器并提供了 - 大型网络在低可观测性条件下的局部层析成像
本文通过对智能体状态演化的观察研究了重构相互作用智能体网络拓扑图的问题。在大规模网络设置下，仅有一小部分智能体可以实际被观察到。我们旨在推断出底层互动子网络，称之为局部层析问题。在这种情况下，本文的主要结果是，在该设置下，在满足网络模型的某 - 适应性扩散实现可扩展的图学习
本文介绍了一种基于数据的方法，用于学习适应底层网络拓扑特征的类特定扩散函数，从而改善扩散分类器的性能并提高分类准确性，超过了依赖于节点嵌入和深度神经网络的最先进方法。
- KDD通过扩散小波学习结构节点嵌入
本文介绍了 GraphWave 方法，通过利用热波中的扩散模式，表示每个节点的网络邻域，并以无监督的方式学习这些嵌入。本文证明，具有类似网络邻域的节点将具有类似的 GraphWave 嵌入，即使这些节点可能位于网络的非常不同的部分，该方法在 - 分布式优化中的网络拓扑和通讯计算权衡
本文介绍了去中心化优化中最近的研究进展，并概述了针对不同场景的算法和分析，强调了网络拓扑在这些方法中的作用。
- 不断增长连接的演化网络上的加速分布式对偶平均算法
探讨加速多智能体网络中分布式优化问题的做法，通过边逐步添加来扩展分布式对偶平均（DDA）次梯度算法，研究网络拓扑设计对 DDA 收敛速度的影响，提出了一个有效的设计网络拓扑的方法，并通过定量评估 DDA 加速效果的理论预测和数值实验，证明了 - 基于智能电表数据识别电力配电网络拓扑
本文提出了一种新的基于数据驱动的方法，利用智能电表的能源测量时间序列来识别低压电力系统的网络拓扑结构，包括负载相位连接，并应用主成分分析及其图论解释推断拓扑结构。通过在随机生成的网络和 IEEE 公认的 Roy Billinton 分布测试 - 网络范围分布式载波频偏估计与补偿
本文提出了一种分布式算法，用于分散系统中频率偏移的估计，该算法通过本地计算和与直接相邻的节点进行有限的信息交换来估计每个节点的频率偏移，无需任何集中式信息处理或全球网络拓扑知识，通过模拟结果，表明这种算法具有快速的收敛速度和低延迟，是一种具 - 基于 Koopman 算符的线性化非线性系统识别技术
利用基于 Koopman 算子的线性系统辨识方法，将非线性系统辨识问题转化为基于观测变量的线性识别问题，通过推导出的线性算法，在恢复多种不同类型系统的（多项式）矢量场的同时，也可以推断出网络拓扑和动态。
- 面向对抗样本具鲁棒性的深度神经网络架构
该研究论文研究了深度神经网络的鲁棒性问题，特别是针对对抗样本的攻击。通过探索神经网络的结构，拓扑结构，预处理和训练策略等方面来提高深度神经网络的抗干扰能力，并且通过引入平滑性惩罚来提高其稳健性。
- 自适应网络学习行为研究 - 第一部分：瞬态分析
对多智能体网络的学习行为进行了详细的瞬态分析，揭示了分布式策略学习能力的有趣结果。结果还建立了自适应网络的学习过程经历了三个明确定义的演化阶段，揭示了网络拓扑结构影响性能的方面并提出了相应的设计程序。
- ADMM 在分散式一致优化中的线性收敛性
本文研究了具有强凸局部目标函数的去中心化一致性优化问题，并建立了其线性收敛速率及加速的指导原则，其中采用了交替方向乘子方法 (ADMM) 来解决该问题，该方法可在单个代理处进行迭代计算并在邻居之间进行信息交换。