本研究提出了一种共访超图模型，以解决传统移动模型忽视高阶关系的问题。通过分析个体的移动轨迹，构建动态移动行为超图，展示其在城市移动模式分析及应对外部干扰方面的有效性，具有广泛的应用潜力。

该研究提出了一种拓扑引导的超图变换网络，通过学习图中高阶关系，将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制。实验证明，该模型在节点分类任务上表现优异。

该论文提出了一种新的框架，通过学习高阶关系和拓扑信息来实现人物重识别。使用CNN和关键点估计模型进行特征提取，并将其视为图的节点，提出了自适应方向图卷积层和交叉图嵌入对齐层。通过优化图匹配和节点嵌入来最终匹配人员，并在遮挡的数据集上取得了优越的效果。

该研究提出了一种新的超图学习方法，用于异构信息网络中的节点分类。该方法使用超图捕捉节点之间的高阶关系和提取语义信息，并利用原型提升学习过程的稳健性。实验验证了该方法在三个真实世界的异构信息网络中的有效性。