本文提出了一种自适应图卷积方法来处理带属性的图聚类问题，该方法利用高阶图卷积来捕获全局聚类结构，并针对不同的图自适应地选择适当的阶数，而实验结果表明，该方法与现有的最先进方法相媲美。

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

该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

Jul, 2020

提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于GNN的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。

Aug, 2023

分析表明，常用的基于模块性的方法在发现社区结构时很少产生最优划分或最接近最优划分的划分，因此，推荐使用近似优化算法以在方法适用范围内更加方法论严谨地使用模块性。

Oct, 2023

该研究论文以网络聚类为主题，探讨了基于节点属性和网络信息的高性能聚类算法，并通过信息理论准则建立了节点属性和网络信息交换的精确恢复标签的关系，提出了一种迭代聚类算法以最大化联合似然函数，并通过数值实验验证了该算法的优越性。

Oct, 2023

通过使用图神经网络优化模块性目标的DGCluster方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

Dec, 2023

图神经网络 (GNN) 可以通过从特征和连接信息的二元性中学习来训练以检测图中的社区。本研究展示了通过仅仅优化模块度，而不与基准进行比较，可以使用 GNN 将节点聚类到社区中。尽管模块度是一个图划分质量度量，我们证明了这一方法可以优化同时编码特征的 GNN，并且性能没有下降。我们进一步研究了无监督度量性能是否能预测基准性能的问题。通过设计一些合成实验，展示了该方法的局限性。这些合成图被设计来突显属性图中具有不同、随机和零信息空间分区的当前能力。总之，我们得出结论，模块度可以用于真实数据集上的超参数优化和模型选择，同时也是预测基准性能的一个合适代理，但是当空间包含冲突信号时，GNN 无法平衡信息的二元性。

Feb, 2024

本研究探讨了模块性最大化方法在图聚类中的潜在成功，将模块性最大化与图对比学习联系起来，提出了一种基于社区感知的图聚类框架 MAGI，通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息，同时避免了语义漂移问题。广泛实验证实了 MAGI 在多个图数据集上的可扩展性和聚类性能，表现优于现有的图聚类方法，并且在大规模图上具有优越的性能。

Jun, 2024

本研究针对现有属性图聚类方法在大规模图上的高计算成本和内存使用问题，提出了一种无需参数学习的简单聚类方法——可扩展和自适应谱嵌入（SASE）。SASE通过平滑节点特征、使用随机傅里叶特征进行可扩展谱聚类以及自适应选择顺序，有效捕捉全局聚类结构，并在图大小上表现出线性时间和空间复杂度。实验证明，SASE在处理大规模数据集时显著提高了准确率和速度。

Aug, 2024