- 近期基于随机游走的知识图嵌入方法综述
本文主要介绍了知识图谱及其嵌入方法，并回顾了最近发展的一些基于随机游走的嵌入方法。
- 普遍生成倒数平方 Lévy 行走的随机行走模型
本研究介绍了一种简化的、抽象的随机游走模型，用于产生反比平方的 Lévy 步行路径，并探索促使这些现象发生的条件。我们的发现表明，通过调节对搜索成本的优先级，我们的模型可以在布朗运动和柯西步行动力学之间无缝切换，从而帮助探索优化问题的参数空 - 入出之间：用于凸体采样的算法扩散
提出了一种新的随机行走方法，用于均匀采样高维凸体；它在输出方面具有比之前已知的方法更强的保证，特别是在 Rényi 散度方面。证明与现有的问题的多项式时间算法方法不同，我们利用了随机扩散的视角，通过收敛性的速率与平稳密度的功能等周常数来显示 - CBRW: 基于可取消生物特征模板生成的新方法
提出了两种基于随机游走的新颖简单的可取消生物特征模板生成方法 CBRW-BitXOR 和 CBRW-BitCMP，通过将原始生物特征转换为可取消模板。与其他最先进的方法进行比较，证明了所提方法在定性和定量分析方面均优于其他方法，且 CBRW - 随机排列集合论中的随机行走
通过在随机排列集合理论（RPST）的性质基础上构建随机行走模型，并进行蒙特卡罗模拟，我们发现通过 RPST 生成的随机行走表现出与高斯随机行走类似的特征，并可以通过特定的极限缩放过程转化为维纳过程，从而为 RPST 和随机行走理论建立了新的 - 利用简化复形上的随机游走促进图神经网络
图神经网络中广泛使用了节点级随机游走以提高性能，但对于边缘和更一般地，k - 单形的随机游走关注有限。本文系统地分析了不同阶数单形复合物（SC）上的随机游走如何在理论表达能力方面促进 GNN。首先，在 0 - 单形或节点级上，我们通过随机游 - 使用 ARGEW 对同质图进行节点嵌入：通过图边权重增强随机游走
在本文中，我们提出了一种新颖的增强型随机游走方法 ARGEW（Augmentation of Random Walks by Graph Edge Weights），该方法通过扩展语料库，在节点嵌入中使具有较大边权重的节点更接近，从而能够更 - 使用 GSEMO 在 OneMinMax 上进行多样性优化的严格运行时分析
本论文研究了 GSEMO 算法在多目标优化中优化群体多样性的方法，阐述了该算法在解决 Pareto - 最优问题中的优势，并得到当问题规模为奇数时，预期时间内收敛到具有最优多样性的种群的证明，分析中涉及了种群的随机漫步等相关理论。
- 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。
- Walk-and-Relate: 基于随机游走的稀疏知识图谱表征学习算法
提出了一种有效的方法以解决知识图谱嵌入中数据稀疏问题。该方法通过随机游走产生附加三元组来增加三元组数量，并从产生的随机游走元路径中准确有效地过滤出信息元路径。
- 走随机漫步：学习在没有监管的情况下发现和实现目标
提出一种新颖的方法，使用随机漫步训练到达网络以预测环境中两个状态的相似性，并使用得到的到达网络构建目标存储器，最终训练了一个有能力到达任何给定状态的目标条件代理，应用于连续控制导航和机器人控制任务。
- KDDFedWalk：差分隐私通信高效的联邦无监督节点嵌入
本文介绍 FedWalk，一种基于随机游走的无监督节点嵌入算法，旨在在保护数据隐私的同时提供类似于中心化的节点嵌入能力，并通过设计分层聚类树、动态时间规整算法、序列编码器和双跳邻居预测器等模块来实现。通过实验证明，Fed-Walk 可以实现 - WWW重新设计下一步观看推荐以减少激进化倾向
该研究旨在通过图论和随机游走的方法减轻推荐系统中极端化途径的问题，提出了一种基于吸收随机游走理论的贪心算法来优化建议的选择，其实验证实证可行。
- WSDMS-Walk：利用随机游走实现准确可扩展的基于会话的推荐
本论文提出了一种名为 S-Walk 的基于会话的推荐模型，该模型采用随机游走来有效地捕捉会话内和会话间的相关性，并通过采用具有封闭形式解的线性模型来保证其高效，可扩展性和可压缩性，从而适用于大规模商业系统。
- 通过神经表征不确定性降低和神经特征空间自我监督进行涂鸦辅助的语义分割
本文提出了使用手绘标注直接进行语义分割的方法，通过最小化熵和网络嵌入的随机游走等全局操作来降低不确定性，在神经网络特征空间上进行自监督训练以保持预测的一致性，在随机缩小或丢弃 scribbles 的情况下也能获得上乘的效果。
- 坐标 Hit-and-Run 的混合时间
研究了 $n$ 维凸体上的随机游走的混合时间，得到了一个多项式上界，并得出该问题一直存在的疑问，即坐标 Hit-and-Run 是否具有多项式混合时间。
- C-SAW: 基于 GPU 的图采样和随机游走框架
本文提出了一种基于 GPU 的图采样 / 随机游走框架，旨在解决传统图处理技术难以有效应对规模较大图形的问题，并介绍了度中心的并行选择和碰撞迁移两项新的优化措施，以及解决超出 GPU 内存容量的采样所面临的问题，并成功地实现了长时间趋于最优 - KDD不观察整张图，如何计算三角形数量
通过设计 TETRIS 算法，本研究在只能通过随机游走获取部分访问权限的情况下，实现了三角计数的可靠并实用的估计，该算法为首个证明的次线性算法，适用于低混合时间的图，可通过查看边数的 3% 来获得 5% 的相对误差的估计值。
- ICML图、实体与步骤混合
提出了一种新的图神经网络 GESM，使用边基邻域关系和节点实体特征的步骤混合，通过随机游走缓解过度平滑问题、动态反映相互关系和基于结构的正则化来增强嵌入表示，实验表明，在包含转导和归纳学习任务的八个基准图数据集上，GESM 取得了最先进或可 - RWR-GAE：图自编码器的随机游走正则化
本文介绍了一种基于随机游走的方法来规范编码器学习到的表示，可以使图自编码器在节点聚类和链接预测任务中具有更好的性能表现。