本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

Jun, 2019

本文研究使用深度模块网络（DMoN）解决无监督图聚类中图分割困难的问题，通过实验表明DMoN对于真实世界的数据集能实现与最优结果强相关的高品质聚类效果，其表现优于其他不同指标的汇聚方法。

Jun, 2020

本研究提出了一种用于图数据挖掘的无监督学习方法，称为Graph InfoClust（GIC），该方法利用可微分K均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

Sep, 2020

提出了一种名为Dual Correlation Reduction Network（DCRN）的方法，该方法采用双重相关性降低的策略来减少节点编码过程中的表征崩溃现象，同时通过GCN中引入传播正则化项来缓解过度平滑造成的表征崩溃现象，实验表明该方法在六个基准数据集上相比于现有最先进算法表现更好。

Dec, 2021

本文提出了一种面向多个图形的一般图级聚类框架，名为GLCC，它使用对比学习技术，包括实例级和聚类级联合优化表示学习，以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实，GLCC比其他竞争基线方法表现更好。

Oct, 2022

本文是关于深度图聚类的首个全面综述，首先介绍了深度图聚类的定义和基准方法，然后提出基于四种不同标准的深度图聚类方法的分类学。此外，通过对现有工作的仔细分析，总结了来自五个方面的挑战和机遇。最后，介绍了深度图聚类在四个主要领域中的应用，并提供了 GitHub 上的深度图聚类方法的最新文献和数据集。

Nov, 2022

我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering（UDGC），通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类，从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示，UDGC明显优于现有的模型。

Nov, 2023

提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。

Mar, 2024

使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放GNNs在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于GNNs的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在GitHub和Code Ocean上发布。

Jun, 2024

本文探讨了图聚类的传统和最新方法，涵盖了基本概念、图论中的背景知识，以及利用深度学习进行聚类的先进技术。通过实验对这些方法进行了综合比较，并讨论了图聚类的实际应用和未来研究方向。

Jul, 2024