本文研究动态数据流模型下相关聚类问题，结合线性草图和凸规划与抽样技术提出 O (n・polylog n)-space 近似算法，解决了自然问题。

Dec, 2018

本文研究如何通过建立一个索引来实现针对具有 n 个顶点和 m 个正边的完整带符号图的相关聚类问题的复杂度降低，从而达到 $ O (m + n)$ 的复杂度，同时考虑动态改变环境和非协议度量的结构特性。通过对七个真实数据集进行实验，结果表明相比无索引的算法，我们的基于索引的算法的平均时间减少了 34％。

Jan, 2023

该研究论文探讨了用于动态演变图的聚类算法，证明了在某些簇结构的条件下，最终图的簇可以被谱聚类算法的动态变体很好地近似，并运行时间复杂度为 O (1) 和查询时间复杂度为 o (n_T)，实验证明了该算法的实用性。

Jun, 2024

我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。

Dec, 2017

本文提出了一种单遍算法，在动态图流模型下使用少量的空间和多项式时间精确地找到图中最大密度的 $(1+\epsilon)$ 近似值，进一步对算法的最小空间使用量进行了界定。

Jun, 2015

本文介绍了 Correlation Clustering 中使用的 Pivot 算法的改进版本，并通过在单通道中使用 O (n/epsilon) 字的内存实现了 (3+epsilon) 近似，并与以前的结果进行了比较。

May, 2023

本研究针对图挖掘应用中的稠密子图问题，提出了一种动态算法，能够同时实现时间和空间效率，它是首个通过一遍流处理即可维护最稠密子图的算法。

Apr, 2015

本文提出了一种基于大规模并行计算 (MPC) 的算法，用于解决相关聚类问题。该算法的主要目标是利用签名图对图进行分区以最小化争议数量。在实验中，该算法同时试图减少节点内存的使用率。我们的算法是第一个在亚线性存储器中运行且使用有限的 MPC 轮数可以证明近似计算聚类问题方法的一种。

Jun, 2021

本文主要研究了查询效率，使用类似于计算距离的相似度度量，通过提出新的算法实现了更加高效的相关聚类，能够在给定预算内使用不同的查询方式获得与最优解相差不大的结果，并且针对算法进行了实验研究。

Feb, 2020

提供了首个对动态图进行边更新的 k - 中心问题的高效算法

Jul, 2023