本研究提出了一种多模态超图对比学习框架（MMHCL），旨在解决多模态推荐系统中的数据稀疏和冷启动问题。通过构建用户和物品的超图，挖掘共享偏好和多模态语义相似性，显著提高了用户与产品之间的关联性。

本研究提出了一种名为HyperDet的超图建模方法，用于检测以太坊生态系统中的庞氏骗局。该方法将交易哈希视为超边，并结合双通道检测模块，显著提升了检测性能，对区块链数据建模具有重要意义。

本研究提出了一种超图检索增强生成方法（HyperGraphRAG），旨在解决传统图方法在处理多元关系时的局限性。通过超边表示多个实体间的复杂关系，实验结果表明该方法在准确度和生成质量上优于现有技术。

本研究解决了推荐系统中用户与物品交互的异质性模式捕捉难题。提出了FWHDNN（基于融合的小波超图扩散神经网络），该框架通过异质性感知的小波超图扩散技术和多层级集群编码器，有效提升了超图推荐任务的表示学习能力。实验结果表明，FWHDNN在准确性、稳健性和可扩展性方面均优于现有先进方法，具有显著的应用潜力。

本研究针对动态图节点分类中的准确性问题，提出了一种新颖的模型HYDG，旨在捕捉动态图中节点拓扑、属性和标签的变化。通过超图的方式，HYDG有效建模个体和组级别的时空节点表示，并通过多种时间依赖关系的加权信息传播，提高了节点表示的准确性。实验结果显示，该模型在五个真实动态图数据集上 outperform 现有的方法，展现出显著的优势。

本研究提出了一种创新的超图攻击方法（IE-Attack），通过向精英超边注入同质节点，提升了超图神经网络的攻击性能和隐蔽性，实验结果验证了其优越性。

本研究提出NEST框架，结合小世界网络和超图，解决传统轨迹预测模型在实时处理和复杂交通环境中的不足，显著提升了自主驾驶系统的可靠性和操作效率。

本研究解决了超图中异常检测的不足。提出了一种端到端的超图神经网络模型，能够无监督地识别超图中的异常关联，而无需标签数据。实验结果显示，该模型在检测异常超边方面表现优越，具有重要的实际应用潜力。

本研究解决了科学与工程领域中复杂模型管理的问题，提出了超图操作系统（HyperGraphOS），它通过结合基于模型的工程、图建模和数据容器，提供了一个动态工作空间。该系统显著提升了灵活性、数据管理和计算能力，具有广泛的应用潜力。

本研究提出了多种基于Transformer的时间序列预测模型，包括多尺度框架、图结构模型和自适应分解方法，显著提升了预测性能。实验结果显示，这些模型在多个数据集上优于现有方法，展现了良好的泛化能力和效率。

本研究针对人类活动识别中活动的共现性及传感器信号的上下文变化问题，提出了一种深层异质对比超图学习框架（DHC-HGL）。该方法通过构建三种不同类型的子超图，结合定制的超图卷积层和对比损失函数，显著提升了模型在多标签分类任务中的表现，评估结果表明，其在Matthews相关系数和Macro F1得分上超过了最先进的基线模型5.8%至16.7%。

研究提出了一种新方法卷积信号传播（CSP），解决了图学习在超图上的不足。CSP是一种简单可扩展的非参数方法，能直接在超图上操作，特别适用于节点分类和检索任务，计算复杂度低，是超图任务的理想选择。实验显示，CSP在多个领域的数据集上表现出色。

本文介绍了一个国际性对抗合作运动数据集（INTERACTION），用于研究驾驶场景中的行为预测和建模。研究者利用图神经网络等方法提出多种模型，以提高车辆未来动向的预测准确性和效率，为自动驾驶技术的发展提供了重要支持。

本研究解决了多代理协作中的零样本协调问题，提出了一种创新的超图开放式学习算法（HOLA-Drone），旨在使无人机能够与未见过的伙伴有效协调捕获多个逃避者。实验结果表明，HOLA-Drone在与未知无人机队友的协调性能上优于基线方法，且在实际系统中的可行性得到了验证。

本研究提出了HyperSMOTE方法，用于解决超图学习中的类别失衡问题。该方法通过合成少数类节点并整合进原始超图中，平均提高了3.38%和2.97%的分类准确率。

本研究提出了一种基于扩散的超图生成方法HYGENE，能够生成现实且多样化的超图。该方法在双分图表示上构建超图，能够有效模拟超图的多种特性。

本研究提出了一种自适应的异常检测框架，解决了高维时间序列中传感器网络的高阶依赖性被忽视的问题。该框架通过联合学习离散超图结构和建模时间趋势和空间关系，实现了状态-of-the-art的性能，并提供了新思路。

本研究提出了一种使用MHNN算法预测有机半导体光电性质的方法，结果显示MHNN在多个任务中优于基准模型，且无需三维几何信息。此外，MHNN在训练数据有限的情况下比预训练GNNs更有效，为分子表示和高阶连接属性预测任务提供了新的策略。