本研究提出了ParClusterers基准套件(PCBS)，解决了图聚类算法比较中的系统性缺口。PCBS通过提供高效的并行聚类算法和评估工具，促进了不同算法与实现的比较，并揭示了许多流行工具包中未涵盖的算法能实现最佳效果。此工作将为未来图聚类算法的公平、准确和细致的评估提供标准化手段。

本研究提出了一种结合图和节点特征的多尺度图构建方法，解决了现有图聚类方法对信号变化考虑不足的问题。该方法通过提取聚类特征和计算相似度，有效进行层次聚类，并在多尺度图像和点云分割实验中验证了其有效性。

本研究提出了一种双优化自适应图重构的多视图图聚类方法DOAGC，旨在解决传统图神经网络在处理异质图时的不足。该方法通过重构图结构，考虑节点相关性和原始结构信息，有效缓解异质图问题，实验结果表明DOAGC在多视图图聚类任务中表现优越。

本文介绍了一种新的自适应增强方法SECL，旨在保留图的结构和属性信息，在节点分类任务中表现优于现有方法。同时，研究提出了多种基于对比学习的图聚类算法，如GCC、SCGC和ACGCL，均在多个数据集上取得显著性能提升。新方法通过增强节点嵌入，显著提高了聚类效果，展示了在图聚类领域的重要性。

本研究提出了多种基于图的对比学习框架，以提升聚类任务的性能。实验结果表明，这些新方法在多个数据集上显著优于现有技术，尤其在节点表示和社区检测方面表现突出，验证了其有效性和优越性。

本文介绍了多种图聚类方法，如自适应图卷积、DAEGC算法和GraphZoom框架，旨在提高聚类的准确性和处理速度。这些方法在无监督学习和大规模图分析中表现优异，有效捕获社区结构，提升聚类效果。

本文介绍了一种新颖的图聚类网络，简单对比图聚类（SCGC），通过改进网络架构、数据增强和目标函数，显著提升了聚类性能。实验结果表明，该算法在多个数据集上表现优异，速度比竞争对手快七倍以上，展示了其在无监督学习中的优势。

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。

本文探讨了图聚类中的模块性最大化方法，提出了基于社区感知的框架MAGI，利用图神经网络优化聚类性能。研究表明，MAGI在多个数据集上表现优越，能够有效揭示社区信息并避免语义漂移。同时，提出的泊松度校正超图随机块模型（DCHSBM）展示了高可扩展性和真实聚类恢复能力。

本文探讨了图对比学习在生物医药领域的应用，提出了MoCL框架，通过结合本地和全局知识来提升表示学习效果。研究表明，该方法在多个分子数据集上表现优异，达到了最先进的性能水平。

本文介绍了一个多阶图聚类模型（MOGC），通过整合多个高阶结构和边缘连接，自适应调整节点贡献，解决超图分割问题，提高聚类准确性。实验证明MOGC有效。

本文介绍了多种图聚类算法，包括基于深度图神经网络的贝叶斯优化方法和自适应图卷积方法，旨在提高聚类效率和准确性。这些新方法在处理大规模带属性图时表现优越，有效解决了传统模型的计算时间问题。

本文研究了层次聚类及其相关算法，提出了一种基于图的聚类方法和新的相似度函数，以提高聚类性能。研究涵盖多种聚类技术，强调了在实际数据集中的应用效果和鲁棒性。

本文介绍了一种新型图聚类方法，结合图重构、混合滤波器和双图聚类网络，实验结果表明其在异质图上的表现优于其他方法。此外，提出了自适应混合图滤波方法和鲁棒图结构学习，在异质图聚类和分类任务中取得了良好效果。研究还探讨了图神经网络的脆弱性及其提升鲁棒性的策略。

本文综述了异质图学习的研究进展，包括图聚类方法、模型架构及应用案例。新提出的方法通过图重构和双图聚类网络在多个基准上表现优越，同时探讨了同质性与异质性对图神经网络鲁棒性的影响，强调了自监督学习在异构图表征中的重要性。

通过引入公平性正则化，提出了一种个体公平性非负矩阵三因子分解模型（iFairNMTF），该模型能够在平衡和连贯的聚类中实现可定制的准确性 - 公平性权衡，同时提供非负矩阵三因子分解的可解释性，从而增强用户自主性，并在真实和合成数据集上展示了 iFairNMTF 在实现公平性和聚类性能方面的优越灵活性。

本文提出了一种创新的图聚类方法，名为动态融合自监督学习（DyFSS），通过动态学习不同节点的自监督学习任务的权重，并融合不同自监督学习任务的特征来提高性能。通过在五个数据集上进行广泛实验，DyFSS 在准确性指标上超过了最先进的多任务自监督学习方法，最高可达 8.66％。

介绍了一种高效的方法，通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练，从而在训练过程中消除了资源密集型的实例匹配步骤。此外，我们的方法可以轻松适应 superpoint...

提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

本文介绍了一种基于DCHSBM的高可扩展性聚类方法，通过最大似然推断实现超图聚类，能恢复具有高阶结构的真实聚类。