- 基于最大似然估计的有向图聚类中的随机块模型
通过统计学的角度研究了有向图聚类问题，将聚类问题建模为有向随机块模型（DSBM）中估计底层社区的过程，并通过最大似然估计（MLE）推断出给定观察到的图结构的最可能的社区分配。此外，还建立了该 MLE 公式与新型流优化启发式算法之间的等价关系 - 自动编码 GPS 数据揭示个体和集体行为
通过个体轨迹数据进行个体和集体行为分析的创新通用方法，用于研究法国渔船的海洋生物多样性保护和生态系统为基础的渔业管理，通过卷积神经网络构建轨迹的低维潜在表示，并使用 Bhattacharyya 系数比较轨迹的潜在分布，以及使用接近性图和扩展 - 基于图分块模型的图零游戏的强化学习方法与重采样
多人群平均场博弈模型的研究中，利用均场近似可以找到纳什均衡，在实际应用中，由于普适假设的限制，我们提出了一种基于图纹重抽样的学习框架，用于捕捉智能体连接的复杂网络结构，并通过分析其动力学与多人群平均场博弈动力学之间的收敛关系，提出了一种高效 - 受限 Tweedie 随机块模型
提出了一种基于受限 Tweedie 分布的创新的随机分块模型，用于模拟国际贸易网络中的非负零膨胀连续边权重，并结合节点信息和其对边权重的动态影响，实现了有效的两步算法来估计协变效应和其他参数，并通过广泛的模拟研究和真实的国际贸易数据的应用证 - 随机块模型中 SVD 的能力
通过研究随机块模型中普通奇异值分解算法（vanilla-SVD）的能力，发现在对称设置下，vanilla-SVD 算法能正确恢复所有聚类，回答了 Van Vu 在对称设置下所提出的一个开放问题。
- 无特征差距的聚类
我们研究了随机块模型（SBM）中具有大型簇和无法恢复的小型簇的图聚类。我们提出了一种基于半定规划（SDP）的算法，可以恢复大型簇而不受其余簇大小的影响。我们的研究结果在存在大量小簇的情况下，达到了更低的样本复杂度，并为递归聚类问题提供了改进 - 本地分布多网络隐私保护社区检测
本研究提出了一种使用本地存储计算的网络数据，并具有隐私保护的多层随机块模型的共识社区检测和估计的新方法，通过采用随机响应机制来扰动网络边缘，使用偏差调整程序进行去偏差矩阵的特征分解和 K-means 聚类。
- 从下而上何时在层次社区检测中优于从上而下？
本文介绍了一种基于 自上而下 (top-down) 算法 的层次聚类的算法；通过实验，发现了这种算法与传统的 自下而上 (bottom-up) 的算法相比，可以更好地恢复精细的社区结构，并可在模型的中间层次上取得信息学门槛下的恢复。
- Transformer meets Stochastic Block Model: 数据自适应稀疏性和成本的注意力
本研究提出了 SBM-Transformer 模型，利用基于混合成员资格随机块模型（SBM）的稀疏注意力来解决二次成本问题，并证明了 SBM-Transformer 是任意序列到序列函数的通用逼近器，同时在 LRA 和 GLUE 基准测试中 - ICML多元社区 Hawkes 模型用于连续时间网络中的相关联事件
提出了多变量社区 Hawkes 模型，该模型是一种极其灵活的连续时间网络模型，利用结构化的多变量 Hawkes 进程在节点对之间引入依赖关系，并使用谱聚类和基于似然的局部细化过程来拟合模型。通过预测和生成任务，发现该模型远比现有模型更准确。
- 图注意力回顾
本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。
- AAAI基于递归图神经网络的动态图解释聚类
研究动态图中节点聚类的问题，提出一种捕捉图中节点之间连接和集群成员关系动态变化的动态随机块模型，基于加权连接的简单衰减聚类算法。该算法通过优化衰减率实现几乎完美复原真实群集，并使用该算法提出了两种新的半监督图聚类算法。
- 基于分层随机块模型的谱聚类的一致性
本文研究在通用随机块模型下的实际网络社区层次结构，使用基于非标准化图拉普拉斯矩阵的菲德勒向量的标准递归双分割算法，并在广泛的模型参数范围内证明了该方法的强一致性，包括节点度数 $O (log n)$ 的稀疏网络和连接概率相差几个数量级的多尺 - 合并 - 分离马尔科夫链蒙特卡罗法在社区检测中的应用
本文介绍了一种基于群组合并与拆分的马尔可夫链蒙特卡罗算法，能够有效地从后验概率分布中采样网络分区，尤其是针对随机块模型。我们证明了基于单个节点移动的方法即使在小型网络上也无法正确采样后验分布，而我们的合并拆分方法表现明显更好，在典型情况下改 - 用于有向图聚类的厄米矩阵：洞察与应用
本文提出基于复值矩阵表示有向图的谱聚类算法，以克服现有有向图谱聚类算法的局限性，并应用于美国内部迁移数据集，揭示了人们从农村向城市化程度更高的地区迁移的规律。
- ICML矩阵幂均值在带符号图谱聚类中的应用
该研究提出了使用一种带有参数的拉普拉斯变换簇集算法来处理有正有负关系的图结构，并在多个模型中取得了比当前领先技术更好的聚类效果。
- MM一种假设比率检验方法用于度数有界的随机块模型
该论文提出了一个基于正则化的似然比（LR）类型过程，用于测试具有有界度数的随机块模型，同时推导了在零假设和备择假设下的幂泊松分布的极限分布，并仔细分析了测试的极限功率。
- 基于随机块模型的超图：统计极限和半定规划方法
该文章探讨了在随机超图模型中用于社区检测的随机块模型问题（k-SBM），研究了正确定位问题并表明其存在阈值现象：在阈值以下不可能以非零概率找回社区，而在阈值之上，有一个估计器几乎可以确定性地找回社区。作者还考虑了一种基于半定松弛技术的精确恢 - 贝叶斯推断问题中的相变类型学
本文通过对稀疏图上的推理问题的描述和分析，研究了随机块模型的相变以及在信息论上最优化问题变得容易但是在计算上仍具挑战性的的混合硬相位，并阐明了消息传递算法的贝叶斯最优性及其在这些问题中的作用，并通过数值模拟验证了该方法的有效性。
- 多层图聚类的幂平均拉普拉斯算子
本文研究了如何对多层图进行聚类，引入了一种参数化的矩阵幂均值来合并不同层的拉普拉斯矩阵，并在随机块模型中分析它。我们证明了这种方法可以在不同设置下恢复地面真实聚类并在实际世界数据中验证。而对于大型图形计算矩阵幂均值可能非常昂贵，我们引入了一