本研究研究了一种受 Chierichetti 等人提出的公平原则约束的、用于对图形数据进行分区的谱聚类方法。我们开发了归一化和非归一化受约束谱聚类的变体，并证明它们可以在合成和真实数据上找到更公平的聚类结构。在一种自然环境变体的随机块模型上，我们对算法进行了严格的理论分析，并证明我们的算法可以以高概率恢复这种公平聚类。

Jan, 2019

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

我们提出了一种名为 FNM 的二阶段谱算法，通过在目标函数中添加公平性准则来获取更公平的谱节点嵌入，然后设计一个舍入方案从该公平嵌入中生成 k 个簇，从而在维持公平性的同时达到良好的分区质量。通过对九个基准数据集进行全面实验，我们证明了 FNM 相对于三种基准方法的卓越性能。

Jul, 2023

该研究针对图聚类中的计算开销和数据隐私问题，提出了一种基于联邦学习的谱聚类算法（FedSpectral），并设计了相似度度量标准，该算法相对于全局聚类具有较高的相似性。

Feb, 2023

通过使用 AGCSC 方法，我们采用了图卷积技术来同时开发特征提取方法和系数矩阵限制，并且我们的算法中的图卷积算子是迭代和自适应更新的，聚合特征表示适用于子空间聚类，并且系数矩阵能更准确地揭示原始数据集的子空间结构。

May, 2023

探索仅具有多向相似性度量的多向测量设置，开发两种算法：Hypergraph Spectral Clustering（HSC）和 Hypergraph Spectral Clustering with Local Refinement（HSCLR），并取得在二元加权边缘情况下的优异结果。

May, 2018

本研究基于深度聚类方法，提出了一种结合公平性目标的自适应学习算法，以解决群体层面的公平性问题，其实现步骤包括将整数线性规划嵌入到判别式深度聚类主干中，多状态受保护状态变量（PSVs）的分类等。实验数据表明，本算法优于现有公平聚类算法，并且适用于具有灵活公平性约束的任务。

May, 2021

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

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

本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架，通过对图矩阵的谱约束实现了特定结构的图形式化，提出的算法具有收敛性，计算高效，在合成和真实数据集上的实验表明了其有效性。

Apr, 2019