本文探讨了辍学机制在深度学习中的作用，提出将训练视为在高维图中对二进制子网络的随机游走。研究表明，良好泛化的子网络形成低阻抗簇，且数量随网络宽度指数增加，强调了辍学在采样中的重要性。

本研究提出了一种新正则化技术，解决随机游走节点嵌入算法中节点对频率不均的问题，通过高效采样生成平滑频率节点对，显著提升学习效率和效果。

合成致死（SL）预测用于识别基因共突变导致的细胞死亡。传统图神经网络（GNNs）在信息传递上有局限性。为此，提出了基于多组学采样的SL预测图变换器（MSGT-SL），结合浅层多视图GNN和自注意力机制，捕获长程依赖，并通过并行随机游走采样整合组学数据。实验显示，MSGT-SL在SL任务中表现优异。

研究探讨大型语言模型在因果推理和信息检索中的影响，提出基于知识图谱的随机游走推理方法。通过增强因果关系，实验显示该方法显著提升模型性能，证明因果结构融入提示可改善语言模型表现。

本文介绍了一种基于随机游走的新方法，用于超图上的标签传播。该方法通过估计节点距离为随机游走的预期命中时间，并引入困惑随机游走来更好地描述实际超图。与DeepWalk相比，该方法在目标数量较小的情况下具有明显的计算优势，并且对于大型稀疏的超图，时间复杂度近似为线性，优于DeepWalk的替代方案。

本文介绍了一种基于随机游走的新方法，用于超图上的标签传播。该方法通过估计节点距离为随机游走的预期命中时间，并引入困惑随机游走来更好地描述实际超图。与DeepWalk相比，该方法在目标数量较小的情况下具有明显的计算优势，并且对于大型稀疏的超图，时间复杂度近似为线性，优于DeepWalk的替代方案。

这篇文章总结了数学物理方法课上关于扩散方程和随机游走的内容，包括扩散方程的解和随机游走的概率递推公式。文章还讨论了扩散方程的特定初值条件下的情况，并介绍了Monte Carlo模拟的方法。

本文研究了图神经网络中节点级和边缘级随机游走对性能的影响，并提出了相应的编码方法。实验证实了基于随机游走的方法的有效性。

Causal Walk是一种新方法，通过引入因果路径和前门调整来消除多跳事实验证偏差。它使用随机游走的思想估计处理和中介变量之间的因果效应，并利用归一化加权几何平均逼近估计中介变量和结果变量之间的因果效应。

本文提出了一种名为EDDA的新MDR方法，通过嵌入解缠推荐器和领域对齐来解决两个挑战。EDDA在模型级别和领域间部分进行解缠，并利用图处理中的随机游走来识别相似用户/项目对，增强知识传输。实验结果表明，EDDA在所有数据集和领域上优于基线。