本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

Jun, 2011

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

本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

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

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

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

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

我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering（UDGC），通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类，从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示，UDGC明显优于现有的模型。

Nov, 2023

本研究提出了一种基于路径相似性的MeanCut算法，通过在度数降序优化来实现非破坏性图划分，从而增强簇内关联性，允许对任意形状的簇进行识别并对噪声具有鲁棒性。同时，还通过将最优路径搜索转换为生成最大生成树（MST）来降低相似性计算的复杂性，进一步提高算法的时间效率。

Dec, 2023