Couvre l'optimisation de la pseudométrie dans les graphes, en se concentrant sur la minimisation de la pseudométrie et de la métrique du chemin le plus court.
Explore le lien entre les graphiques et les probabilités, en mettant l'accent sur les probabilités modulaires et super modulaires et les propriétés de corrélation.
Explore le pseudo-aléatoire dans les graphes en utilisant des valeurs propres et des polynômes, en soulignant l'importance des racines groupées et des entrelaceurs communs.
Explore l'apprentissage de données interconnectées à l'aide de graphiques, couvrant les défis, la conception du GNN, les paysages de recherche et la démocratisation du graphique ML.
Explore les transitions de phase dans le modèle Ising, l'aimantation moyenne, la susceptibilité, les exposants critiques et l'universalité des exposants critiques.