该研究提出了使用一种带有参数的拉普拉斯变换簇集算法来处理有正有负关系的图结构，并在多个模型中取得了比当前领先技术更好的聚类效果。

May, 2019

本文介绍了一种在带符号图中进行 $k$ 路分簇的原则性和理论上可靠的谱方法。我们的方法受到社会平衡理论的启发，旨在将网络分解为不相交的群体，使得同一组中的个体通过尽可能多的正边相连接，而不同组中的个体则尽可能多地连接负边。我们的算法依靠广义特征问题公式，为带符号的随机块模型提供了理论保证。数值实验表明，我们的方法在带符号聚类中比现有方法表现得更好，特别是在大量簇和稀疏测量图的情况下。

Apr, 2019

本文研究了有向带符号图的谱分析，给出了基于矩阵扰动理论的谱投影的理论近似值，并提出了一种基于谱聚类的图划分算法 SC-DSG，并在合成和实际数据集上进行了评估，提出的算法在理论分析和实证分析都取得了很好的效果。

Dec, 2016

本文通过简单例子证明，在有符号图中，基于有符号拉普拉斯矩阵的算法比基于符号化拉普拉斯矩阵的算法更好地执行图谱划分，而负特征值有助于计算 Fiedler 向量。

Jan, 2017

本文提出一种基于离散特征值问题的谱算法，以发现有极性社群的有符号网络中两个极化社群，证明所提出的问题是 NP-hard 的，同时在真实世界现象的情况下验证了算法的有效性并证明其比非平凡基线更好、更快、能够扩展到更大的网络。

Oct, 2019

本研究通过局部偏差特征向量和半监督学习方法，在有限制的情况下探测带有两极性结构的局部多样性地区，该算法在实验中获得了验证。

Jan, 2020

本文研究了有正负交互作用的签名网络，提出了一种基于 Ginzburg-Landau 功能和扩展的有符号网络图拉普拉斯算子的扩散界面方法，在真实的签名社交网络中取得了较好的性能，并优于当前技术水平。

Sep, 2018

本文系统地介绍了图割方法，着重介绍了归一化图割方法及其在加权无向图和有向图聚类中的应用，并提出了解决带符号图的问题的方法。此外，本文还表明了比率割方法是归一化割方法的特例。

Jan, 2016

该研究介绍了一种名为磁签 Laplacian 的矩阵，作为有向网络的谱图神经网络（GNNs）的一种新颖有效的构建方式。实验证明，所提出的谱 GNN 可有效地结合了有向信息和签名信息，并在广泛的数据集上取得了领先的性能。

Sep, 2022

提出了一种灵活的超图 1-Laplacian 定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类，可以实现比传统 Laplacian 更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图 1-Laplacian 等效于相关图的 1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。

Apr, 2023