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

该论文分析了动态随机块模型下的经典谱聚类算法，提出了更加精细的 DSGB 的稀疏性和平滑度之间的关系描述，同时将保证扩展到了归一化拉普拉斯算子，从而提高了矩阵谱集中度误差下界的精度。

Feb, 2020

通过对随机块模型和其延伸的研究，我们表明，通过正规化可以显著提高谱聚类的性能，并且证明了利用正规化参数估计的数据驱动技术 DKest 可以很好地应用于实际数据集和仿真数据集。

Dec, 2013

本研究将随机块模型扩展到广义随机块模型，提出了一种使用凸优化和 k 均值算法的程序，用于在存在离群节点的情况下，准确检测社区的聚类。

Apr, 2014

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

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

本文提出一种基于谱初始化和伪似然分类器的两阶段快速过程，用于网络双分区检测或更一般地解决网络双聚类问题。该程序是弱一致的，同时在双分块随机模型下建立。通过数值模拟，证明了这种程序的有效性。

Mar, 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

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