本研究提出了一种新型聚类集成方法，有效解决了基聚类结果不可靠和样本关系构造耗时之间的权衡问题。实验结果验证了该方法的有效性和效率。

本研究提出了DOSAGE算法，用于解决传统图神经网络处理超边和重叠子图时的问题。实验证明，DOSAGE算法在节点分类任务上优于其他方法。

本文提出了HeIHNN超边交互感知超图神经网络，旨在增强超边与节点间的信息流动。实验结果表明，HeIHNN在真实数据集上的性能优于现有方法。此外，研究还介绍了HNHN框架和HGNN框架，它们在数据表示学习中表现出色，具有更高的分类精度和速度。

本文探讨了利用机器学习和深度学习技术对自闭症谱系障碍（ASD）的诊断方法。研究表明，图神经网络等模型能够有效提取大脑活动特征，提高分类准确率，从而实现ASD的早期发现。不同模型在多个数据集上的表现优于现有技术，突显了人工智能在ASD早期诊断中的重要性。