本文提出了两种基于特征值计算的分析有向图中节点间循环模式与非循环模式连接的光谱聚类算法，相比于当前的方法在实验中表现更好，并成功应用于食物链的分类和互联网服务提供商之间协议的层级结构的高亮显示

May, 2018

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

基于 Laplacian 算子，谱图卷积神经网络是一种用于图数据的卷积网络，并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器，在图回归、图分类和节点分类等任务中表现出良好的性能。

Dec, 2020

本文提出基于复值矩阵表示有向图的谱聚类算法，以克服现有有向图谱聚类算法的局限性，并应用于美国内部迁移数据集，揭示了人们从农村向城市化程度更高的地区迁移的规律。

Aug, 2019

本文探究了实际图形的频谱密度，并借用凝聚态物理学的工具及其适应性处理常见的图形模式的频谱签名。通过计算具有十亿边缘的图形的频谱密度来展示其高效性。同时，证明频谱密度的估计促进了许多常见的中心度量的计算，并使用频谱密度估计了有关图形结构的有意义信息，这些信息不能仅通过极值特征对推断得出。

May, 2019

基于非回溯行走的新型谱算法优于传统谱聚类算法，特别是对于稀疏网络，因维护大量特征值与社区相关，因此在社区探测方面更为优异。

Jun, 2013

该论文提出了一种基于扩散的谱聚类和降维算法的概率解释，利用规范化图拉普拉斯算子的特征向量。通过定义数据点之间的扩散距离，并证明了对应马尔科夫矩阵的前几个特征向量的低维表示在一定均方误差标准下是最佳的。此外，假设数据点是从密度 $p (x)=e^{-U (x)}$ 中随机抽取的，作者将这些特征向量视为具有反射边界条件下潜在 $2U (x)$ 力学势中福克 - 普朗克算子的离散近似的本征函数。最后，应用已知结果，对连续福克 - 普朗克算子的本征值和本征函数进行解析，从而为基于前几个特征向量的谱聚类和降维算法的成功提供了数学论证。这项分析阐明了许多经验发现关于谱聚类算法的特征和扩散进程。

Jun, 2005

本文提出了用于网络中的聚类分析的一种新方法，利用谱聚类在随机块模型中发现社区和研究潜在空间模型下的特征向量。

Jul, 2010

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

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