该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法，首先将图嵌入到一个适当的欧几里得空间中以获得低维表示，然后将顶点聚类成社区，并应用非参数图推理技术识别这些社区之间的结构相似性，然后可以递归地应用这两个步骤到社区上，以检测更细粒度的结构。最后，在模拟和真实数据上证明了该算法的有效性。

Mar, 2015

通过将节点属性数据纳入超图中的社区结构学习，本研究提出了一种统计框架 HyperNEO，可以增强合成和实际超图中社区结构的学习效果，同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间，从而在实际超图中部分保留社区结构，促进了对实际复杂系统中高阶社区结构的研究和理解。

Jan, 2024

本文提出了一种使用超图模块性函数的可扩展社区检测算法 h-Louvain。通过调整算法的初始阶段，利用两部分图的图模块性函数和期望的超图模块性函数的线性组合，通过贝叶斯优化超参数的过程，提出了解决方法。在合成和真实网络上进行了各种实验证明，该过程在各种情况下都可以得到改进的结果。

Jun, 2024

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

本文提出了一种基于凸规划松弛和新的双重加权 $k$- 中位数方法的凸化模块化最大化方法，用于估算 DCSBM 下的隐藏社群，通过实验结果表明本方法相对于文献中现有的最先进方法具有竞争力的性能表现。

Dec, 2015

通过具备多重尺度的完全描述网络层次结构的嵌套概率模型，可避免现有方法的局限性，在更高的分辨率下检测模块化结构并确保不产生伪模块，且具有一般性和可扩展性，适用于大型网络的高效算法

Oct, 2013

本文提出了一种新的基于扩散的超图聚类算法，其解决了类图的二次超图割问题，能够非常快速且高效地计算各种势函数。该方法在实际大规模超图数据中得到了验证。

Nov, 2020

通过使用图神经网络优化模块性目标的 DGCluster 方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

Dec, 2023

本文提出了一种层次化聚类图的理论模型，采样自一个 graphon，采用了比随机块模型更丰富的图模型类，提供了一种产生正确聚类的算法，并给出了满足这些性质的明确算法。

Jul, 2016

提出了一种新的图生成网络，以获得具有层级结构的图，并通过模块化方法在层级结构的不同级别生成社区，根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。

May, 2023