本文提出了一种基于稀疏图的归一化割方法，该方法通过添加颜色节点至简单的网格图中对图像进行分割，实验结果表明该方法在图像分割方面表现优于传统的光谱算法。

Jun, 2023

SSumM 是一种基于最小描述长度原理的可扩展的图形摘要算法，能够合并节点和稀疏的摘要图，达到更好的压缩率和更小的重构误差。与现有方法相比，SSumM 更简明、更准确、更可扩展。

Jun, 2020

本文探讨了基于谱算法的图分割技术，阐述了相关算法在数据分析中的应用，通过对图的一定假设条件，通过优化谱嵌入图算法的表现提供更好性能保证。

Dec, 2019

本文提出了一种有效的随机算法来计算图形摘要，旨在最小化重构误差，使用加权采样方案来合并顶点，提供算法运行时间的分析上限和得分计算的近似保证，并在几个真实世界图形上测试了算法以证明摘要的质量和与现有算法的比较，并使用摘要来回答有关原始图形的几个结构查询并报告其准确性。

Jun, 2018

通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。

Mar, 2024

本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

Nov, 2017

本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。

Feb, 2016

本文提出了一种基于连续松弛的归一化最小割问题的图聚类方法，通过 GNN 实现聚类分配。并且设计了一种图池化操作，克服了现有技术的一些重要限制，并在多个监督和非监督任务中取得了最佳表现。

Jun, 2019

本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

提出了一种针对属性和多关系网络的联合降维技术 SpectralMix，该方法通过综合利用属性、关系类型和图结构的信息，实现对聚类结果的解释，并在实际数据集上展现了其优越性。

Nov, 2023