本文研究了多元脊函数对Sobolev函数逼近的上下界，提出了一种方法，揭示了逼近速度与正则性之间的关系，并为广义平移网络和复值神经网络在Sobolev函数逼近中的应用提供了渐近界，从而加深了对复杂网络逼近能力的理解。

本文提出了一种新方法，通过谱密度矩阵和$ ext{l}_1$正则化的Whittle最大似然估计器，从时间相关样本中恢复复杂网络的稀疏边结构。研究表明，该方法在高维样本少于网络规模时仍能有效恢复真实网络的边连接性，具有重要应用潜力。

本文探讨了利用复杂网络和自然语言处理技术提高阿尔茨海默病检测的准确性。研究采用多模态深度学习模型，结合语音、文本及声纹数据，实现了92.04%的检测准确率，并在认知障碍评估中展示了显著进展。

本文研究了多种谱聚类算法在高维数据和复杂网络中的应用，特别是LRR-PSD算法和超级叠加随机块模型，强调了其在处理噪声、异常值及社区检测中的鲁棒性和有效性。研究结果表明，这些算法在不同条件下均能实现良好的聚类效果。

本文研究了多智能体系统中的均值场博弈，提出了一种基于强化学习的算法框架，旨在解决大规模人口博弈中的学习与决策问题。实验结果表明，该算法在收敛性和性能上优于传统方法，能够有效计算纳什均衡，并在复杂网络结构中实现高效学习。

本文研究了基于 Lévy 随机游走模型的觅食行为，发现步数对策略参数有显著影响，并提出了一种新型随机游走模型，探讨信息扩散机制及其在复杂网络中的应用。

本文探讨了深度神经网络（DNN）的性能，分析其动力学特性并提出优化连接性的新方法。比较了神经网络的几何和拓扑结构，介绍了复杂值神经网络（CVNNs）的学习与优化，强调其动态特性和未来发展方向。最后，提出了BN-GNN框架，利用深度强化学习提升脑网络分析性能。

本文综述了复杂网络中的链接预测方法，分为基于相似性、概率、关系模型和学习的四类。介绍了多种网络数据集，并探讨了未来的研究方向。研究表明，结合不同方法和图神经网络的算法在链接预测中表现优越，尤其是在社交网络和真实数据集上。

本文介绍了一种利用图拉普拉斯矩阵的谱特性和分层聚类技术的算法，用于检测复杂网络中的社区和模块化结构。该算法性能优于其他现有方法，速度相对较快，成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。

该研究使用因子分析提出了一种新的量化测度——核心-中间-外围指数（CIP），以衡量节点在网络中的核心性和外围性。研究测试了12个复杂的现实网络套件。

本研究提出了一种基于压缩感知的框架来重建随机扩散动力学下的复杂网络，并应用到模型和真实网络中。研究表明，从少量二元数据可以实现不均匀交互的全面重建。此外，该方法还可以确定并高度可信地定位隐含的触发扩散过程并在其外部不可访问的源，从而为追踪和控制复杂网络系统中的流行入侵和信息扩散建立了一个范例。