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。

本研究提出了一种基于社区感知的图聚类框架MAGI，通过模块性最大化作为对比预训练任务，揭示图中社区的潜在信息，避免语义漂移问题。实验证实MAGI在多个图数据集上的可扩展性和聚类性能优于现有方法，在大规模图上表现出优越性能。

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。

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。

该研究提出了一种名为CGMVC-NC的多视图聚类技术，利用非凸张量范数确定多视图之间的相关性。该方法在多个基准数据集上展现出卓越的聚类准确性，为多视图数据分析提供了有价值的工具。进一步研究可以探索该方法在其他类型的数据上的应用。

本研究提出了一种基于路径相似性的MeanCut算法，通过优化度数降序实现非破坏性图划分，增强簇内关联性，对任意形状的簇进行识别并对噪声具有鲁棒性。同时，通过将最优路径搜索转换为生成最大生成树（MST）降低相似性计算复杂性，提高算法时间效率。

该文介绍了一种基于图神经网络的学习框架，可以在用户层面提供节点隐私，并在损失效用性方面表现较低。该框架使用分布式隐私保护的概念，在节点水平对特征和标签数据应用随机化机制，并通过随机化数据的统计分析中的频率估计开发了重构方法来逼近扰动数据的特征和标签。此外，该框架还利用图聚类的频率估计来在子图层面监督训练过程。实验结果证明了该模型的有效性。

该文介绍了一种基于图神经网络的学习框架，可以在用户层面提供节点隐私，并在损失效用性方面表现较低。该框架使用分布式隐私保护的概念，在节点水平对特征和标签数据应用随机化机制，并通过随机化数据的统计分析中的频率估计开发了重构方法来逼近扰动数据的特征和标签。该框架还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。实验结果证明了该模型的有效性。