本研究提出了一种使用本地存储计算的网络数据，并具有隐私保护的多层随机块模型的共识社区检测和估计的新方法，通过采用随机响应机制来扰动网络边缘，使用偏差调整程序进行去偏差矩阵的特征分解和 K-means 聚类。

Jun, 2023

本文介绍了一种利用图拉普拉斯矩阵的谱特性，结合分层聚类技术和包含最大化输出模块化程度处理的高效且相对较快的检测复杂网络中社区的算法，并将其性能与其他现有方法在不同的复杂网络实例中应用进行了比较。在所有测试案例中，我们的结果都至少与任何其他方法获得的最佳结果一样好，大多数情况下比提供类似质量结果的方法更快，这使得该算法成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。

Apr, 2004

本文提出了一种新颖的策略来发现（可能是大型）网络的社区结构，利用基于 k-path 的边缘中心度，并借鉴 Louvain 方法，通过最大化网络模块化来发现社区结构。实验证明，该算法优于其他技术并略微改进了原始 Louvain 方法的结果，可自然扩展到非加权网络。

Aug, 2011

通过节点的标签传播，本文提出了一种在大规模网络上检测社区结构的算法，不需要预先知道社区数量和大小，并且计算效率高；实验证明该算法与先前算法相比具有更高的计算速度。

Sep, 2007

文章测试了多种算法，并针对新的基准图进行了评估，结果表明 Rosvall and Bergstrom、Blondel et al. 和 Ronhovde and Nussinov 三种算法表现出色，并具有低计算复杂度优势，适用于大型网络分析。

Aug, 2009

该研究提出了首个用于私有网络中寻找最密子图的差分隐私算法，并展示了该算法在实际网络中隐私和准确性之间的权衡。

May, 2021

描述了一种基于分布式网络模型的重叠社区检测方法，使用了快速的期望最大化算法对数百万节点的网络进行分析，可用于提取非重叠的社区划分。

Apr, 2011

复杂网络中的社区结构及社区检测方法的综述，涵盖了图的算法和现实应用领域。

Sep, 2023

本文对近年来深度学习在社区检测领域的最新进展进行了全面概述，提出了包括深度神经网络、深度非负矩阵分解和深度稀疏滤波在内的多种先进方法，总结了常用的基准数据集和评估指标，并讨论了社区检测在不同领域的实际应用和实现场景，并提出了未来的研究方向。

May, 2021

本文提出了一种网络社区发现方法的统一架构，对现有的社区检测方法进行了全面的综述，并将现有的方法分为两类：概率图模型和深度学习。作者还释放了几个基准数据集，并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。

Jan, 2021