本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

Apr, 2022

本研究提出了一种深度整合学习框架 DECCS，该框架能够有效地学习多种异质聚类算法的共识表征，并能够显著提高聚类结果的准确性和鲁棒性。

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

本文提出了一种叫做Deep Graph-Level Clustering (DGLC)的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。

Feb, 2023

提出了基于交互序列的批处理模式的deep Temporal Graph Clustering(TGC)框架，通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明，TGC框架可以有效提高现有临时图学习方法的性能。

May, 2023

该研究提出了一种可扩展的深度图聚类方法（Dink-Net），通过膨胀和收缩的思想，利用深度神经网络将图的节点分为不相交的群组，并通过自我监督方法学习表示。该方法采用小批量数据优化聚类分布，并最小化聚类膨胀损失和聚类收缩损失，将表示学习和聚类优化这两个步骤融入一个端到端框架中。实验结果表明，该方法比其他方法更加优越。

May, 2023

我们提出了一种名为强化图聚类（RGC）的新型深度图聚类方法，将集群数量确定和无监督表示学习统一到一个框架中，并通过强化学习机制精确地捕捉图中的局部和全局信息来评估不同集群数量的质量并决定聚类数量。

Aug, 2023

本文介绍了一种新的深度非平衡聚类问题，并提出了一种基于伪标签的学习框架，通过渐进式部分最优输运问题生成偏态感知的伪标签，并从高置信度样本中学习，实验证明了我们方法的优越性。

Jan, 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