本文提出了一种基于广义非回旋 Hashimoto 矩阵的谱方法，用于从超边集合中的节点分配到社区的问题，并在稀疏区域分析其性能，结果表明此方法能够检测到社区，同时具有更简单、完全非参数化的重要优点，并且能够在不事先知道超边生成规则的情况下进行学习。
Jul, 2015
本文介绍了一种用于网络分析中的重叠社区检测的生成模型，结合了 K - 中位数算法和谱聚类算法，且在网络不太稀疏、社区重叠不太大的情况下具有一致性，模拟和真实社交网络实验结果表明我们的方法表现优于传统方法。
Dec, 2014
本文提出了用于网络中的聚类分析的一种新方法，利用谱聚类在随机块模型中发现社区和研究潜在空间模型下的特征向量。
Jul, 2010
本文提出一种新的数据驱动正则化方法来解决稀疏网络中恢复邻接矩阵集中性的问题，进而探讨了一种新的谱截断方法对一般 SBM 中的分类错误率的影响，并在模型的一些扩展，包括不均匀随机图模型和二元聚类问题中得到更优性能的证明。
Mar, 2018
本文提出了两种基于特征值计算的分析有向图中节点间循环模式与非循环模式连接的光谱聚类算法，相比于当前的方法在实验中表现更好，并成功应用于食物链的分类和互联网服务提供商之间协议的层级结构的高亮显示
May, 2018
本文提出了一种新颖的基于谱的算法，并利用基于随机图模型下的谱特性设计出叠加社区网络中的聚类算法，成功地在模拟数据和真实图像数据中实现较好的表现。
Jun, 2015
研究了随机块模型中谱聚类在社区提取中的性能表现，并表明在最大期望度数的阶数为 $log~n$ 时，谱聚类应用于网络的邻接矩阵时，即使度数很小，也可以一致地恢复出隐藏的社区。
Dec, 2013
该研究提出使用 Bethe Hessian operator 代替 non-backtracking operator 进行图的聚类，从而在检测聚类方面具备了 non-backtracking operator 的性能，同时具备了实数对称矩阵计算，理论和存储方面的优势。
Jun, 2014
该研究旨在提出一种更高效的基于谱的算法来实现网络社区的检测和划分，该算法基于调整后的模块度矩阵与特征向量，能够将网络分成任意数量的社区。经过实现和测试，该算法在分割不平衡的网络时表现明显优于之前的算法。
本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。
Oct, 2023