近日，人工智能领域知名期刊《Pattern Recognition》（JCR Q1 区，中科院1区TOP，CCF B，最新影响因子7.6）正式刊发研究组在多层网络社区发现方面的研究论文“Variational graph filter autoencoder for uncovering community structure in multiplex networks”，博士研究生程俊伟为第1作者。现有的变分推理方法通常使用低通滤波器来学习节点表征，这在单层网络中表现良好，但应用于多层网络时会削弱层间差异，使节点表示的判别性降低，进而影响社区发现性能。针对这一问题，该文设计了一种自适应频率融合图滤波器，能够同时整合高频与低频信号，使方差分量推理阶段能够捕获层特有的结构信息。此外，构建了一个基于属性相似度的K近邻层，用于显式提取多层网络的同质性信息，并在此基础上引入跨层共享的高斯混合模型（GMM），以引导各层节点表征尽可能保持一致的社区结构。
        研究组在过去四年，已针对各类复杂网络（如属性网络、符号网络、多层网络、离散动态网络、连续动态网络等）社区发现涉及的关键问题分别开展了深入研究，相关研究成果发表TPAMI、TKDE、电子学报、AAAI、SIGIR、CIKM、DASFAA等国内外知名学术会议及期刊。代表性论文列表如下：