本研究旨在探究超级叠加随机块模型 (SupSBM) 在解决复杂网络社区检测问题中的作用。研究者提出使用新模型可以更精确地捕获局部聚类、短平均路径和社区结构等更真实的网络现象，并进一步证明多个高阶谱聚类方法的性能在该模型下是满足特定的误分类错误率上界的。

Dec, 2018

本文研究了基于有向图的聚类，提出了基于 Hermitian 矩阵的近线性时间算法，并在合理假设下进一步证明该算法可以在亚线性时间内实现，并在 UN Comtrade 数据集上进行了广泛的实验，证明了算法的重要性。

Nov, 2020

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

本文介绍了对图进行簇聚算法及其使用 Koopman 算子和 Perron-Frobenius 算子的谱性质，以及如何使用它们的广义传递算子来提出新的有向图聚类算法。

May, 2023

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

本文研究在通用随机块模型下的实际网络社区层次结构，使用基于非标准化图拉普拉斯矩阵的菲德勒向量的标准递归双分割算法，并在广泛的模型参数范围内证明了该方法的强一致性，包括节点度数 $O (log n)$ 的稀疏网络和连接概率相差几个数量级的多尺度网络。此外，论文通过对合成数据和现实世界例子的演示，展示了算法的性能问题。

Apr, 2020

本文提出了一种基于连续松弛的归一化最小割问题的图聚类方法，通过 GNN 实现聚类分配。并且设计了一种图池化操作，克服了现有技术的一些重要限制，并在多个监督和非监督任务中取得了最佳表现。

Jun, 2019

本文提出了一种基于马尔科夫链的谱聚类方法，并利用一种新颖的本质张量学习方法探索了多视角表示的高阶相关性，通过 Tensor Singular Value Decomposition 基于张量核范数以保持本质张量的低秩性，同时减少了计算复杂性，我们还使用张量旋转运算符进一步研究不同视图之间的关系，该方法可以通过交替方向乘子法（ADMM）高效优化，实验结果表明在六个具有不同应用的真实世界数据集上，我们的方法优于其他最先进的方法。

Jul, 2018

基于张量的聚类方法中存在一些挑战，为了克服这些挑战，我们提出了一种名为高阶异质聚类（HHC）的两阶段方法，通过创新的谱算法进行张量子空间估计，然后使用近似 k-means 算法获得聚类节点，模拟和实际数据实验证明我们的算法在各种情境下都优于现有算法，提供更可靠的聚类性能。

Nov, 2023

基于非回溯行走的新型谱算法优于传统谱聚类算法，特别是对于稀疏网络，因维护大量特征值与社区相关，因此在社区探测方面更为优异。

Jun, 2013