分析了现有的谱聚类扩展，发现现有方法在某些情况下不能恢复基础聚类，提出使用正负部分拉普拉斯矩阵的几何平均值可以超越现有方法并且可以高效计算。

Jan, 2017

本文研究了如何对多层图进行聚类，引入了一种参数化的矩阵幂均值来合并不同层的拉普拉斯矩阵，并在随机块模型中分析它。我们证明了这种方法可以在不同设置下恢复地面真实聚类并在实际世界数据中验证。而对于大型图形计算矩阵幂均值可能非常昂贵，我们引入了一种计算其特征向量的数值方案，以便用于大型稀疏图形的情况。

Mar, 2018

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

本文通过理论分析证明，在光谱聚类时，使用小量的幂迭代即可通过近似特征向量来达到接近最优的 K-means 聚类结果。

Nov, 2013

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

该研究探讨了一种利用复数编码边的信息的新型复合厄米邻接矩阵，并提出了一种基于谱图卷积的分析方法，成功地应用于带有符号有向边的有向图网络。该方法在四个真实数据集上的实验证明其具有较高的性能表现。

Aug, 2022

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

该研究提出使用 Bethe Hessian operator 代替 non-backtracking operator 进行图的聚类，从而在检测聚类方面具备了 non-backtracking operator 的性能，同时具备了实数对称矩阵计算，理论和存储方面的优势。

Jun, 2014