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

本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

我们提出了一种基于广义线性（混合）模型的基于模型的聚类方法，用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口，最大似然估计可通过 EM 算法实现。

Jun, 2018

提出了一种针对属性和多关系网络的联合降维技术 SpectralMix，该方法通过综合利用属性、关系类型和图结构的信息，实现对聚类结果的解释，并在实际数据集上展现了其优越性。

Nov, 2023

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

本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

Mar, 2017

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

本文介绍了一种新的谱聚类算法，它扩展了之前的算法结果，删除了对最小度数的假设，并通过统计模型来解释网络中出现的星形图案在本质上的性质。

Sep, 2013

本文分析 Laplacian 和 adjacency 频谱嵌入在随机块模型图中块分配恢复方面的相对性能，并研究了嵌入性能与底层网络结构之间的关系，结果表明 Laplacian spectral embedding 更适用于相对稀疏的图，而 adjacency spectral embedding 更适用于核心 - 边缘网络结构。

Aug, 2018

通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。

Mar, 2024