该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

Jul, 2020

本研究提出了一种用于在非常庞大的背景图中查找多个嵌入模板图的新方法，该方法基于 Sussman 等人提出的图匹配匹配滤波技术，通过在匹配滤波算法中迭代地对合适的节点对相似度矩阵进行惩罚，实现了多样化匹配的发现。此外，我们提出了算法速度的优化，极大地提高了我们的匹配滤波方法的可扩展性。通过在相关 Erdos-Renyi 图的设置中，理论上证明了我们方法在温和的模型条件下能够顺序地发现多个模板。我们还通过大量的实验验证了我们方法的实用性，包括使用模拟模型和真实世界数据集，如人脑连接组和大型事务知识库。

Aug, 2023

本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于 k 个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于 k 个特征向量时，谱聚类也能够产生相当或更好的结果。

Aug, 2022

本文提出了一种利用凸优化和图信号静态特性来从难以观测的图信号中恢复网络结构的图移位算法，数值实验验证了该方法在社交、大脑和氨基酸网络中的有效性。

Aug, 2016

该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。

Dec, 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

本研究提出了一种新型的节点嵌入方法，通过全局最小化成对相对熵和非线性的图地理路径，将每个节点编码为测量空间上的概率密度函数，并研究了其几何性质和有效的学习过程，实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下在各种评估指标上表现出色。

May, 2019

本文研究了基于有向图的聚类，提出了基于 Hermitian 矩阵的近线性时间算法，并在合理假设下进一步证明该算法可以在亚线性时间内实现，并在 UN Comtrade 数据集上进行了广泛的实验，证明了算法的重要性。

Nov, 2020

本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

Oct, 2023

提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

Mar, 2022