本文提出了一种新颖的社区检测方法TAS-Com，旨在解决现有方法的次优收敛和拓扑连通性不足的问题。通过引入新损失函数和Leiden算法，TAS-Com显著提升了社区结构的模块性和与人工标记的一致性，实验结果表明其在多个基准网络上优于现有算法。

本研究提出了一种新模型LQ-GCN，解决了社区检测方法未充分利用社区特征的问题。该模型通过Bernoulli-Poisson构建社区隶属矩阵，提升了聚类结果的质量，实验表明其在多个数据集上优于基线模型。

本研究探讨了强化学习中的可解释性问题，通过惩罚神经网络中的非局部权重，促进功能独立模块的形成。利用社区检测算法识别这些模块并验证其功能角色，建立了一个可扩展的框架，以平衡解释的完整性与认知可处理性。

该研究提出了一种新型异构块协方差模型（HBCM），有效解决了传统社区检测方法在处理带连续权重边的网络时的不足，能够准确估计社区成员资格。

本研究提出了一种泊松-伽马边划分模型，用于动态建模时间网络中的潜在社区。实验结果表明，该模型在链接预测和社区检测方面优于其他动态网络模型，深入揭示了复杂网络的动态演变。

本研究提出了一种新模型HACD，基于异构图注意力网络，解决了传统社区检测方法忽视节点属性相似性和中观结构的问题。实验结果表明，HACD在多个任务中表现优于现有方法。

本文介绍了一种新方法，通过DeepWalk在supra图上获取节点嵌入并进行微调，从而提升节点分类、链接预测和社区检测的效果。研究表明，该方法在多项基准测试中优于现有算法。此外，提出了基于概率生成模型的vGraph，优化了社区成员学习，实验结果显示其性能优于多个基线。

本文介绍了一种混合成员随机块模型，扩展了关系数据的块模型，应用于社交网络和蛋白质交互网络。研究提出了快速的变分推断算法，探讨了社区检测、知识图谱构建及有向图聚类等问题，并展示了新算法在实际应用中的优越性。

本文研究了多种谱聚类算法在高维数据和复杂网络中的应用，特别是LRR-PSD算法和超级叠加随机块模型，强调了其在处理噪声、异常值及社区检测中的鲁棒性和有效性。研究结果表明，这些算法在不同条件下均能实现良好的聚类效果。

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。

本文探讨了图神经网络（GNN）在推断任务中的应用，提出了Graph Learning Network、Two-level GNN和ExpressGNN等模型，旨在提高社区检测、节点分类和链路预测的准确性。研究表明，GNN能够有效学习图结构和关系信息，克服现有方法的局限性，并在多个数据集上验证了其性能。

本文介绍了一种高效的动态网络变化点检测算法，其速度比现有技术快9倍，并在合成和真实网络中表现优越。同时，研究探讨了图神经网络在社区检测中的应用，提出了基于模块性的动态社区检测策略和Laplacian异常检测方法，均能有效识别动态网络中的异常。

本文研究了加权图的相关聚类问题，提出了多种高效的近似算法，旨在最小化不一致性并提高查询效率。研究涉及并行算法、线性规划方法及其在无监督人脸识别和社区检测等大规模问题中的应用。

本文探讨了基于张量乘积的相互作用模型及其在图神经网络中的应用，提出了新型聚合方案和边缘级自我网络编码，提升了图形分类和回归的性能。通过记忆分离节点信息的方法，解决了现有消息传递的缺陷，展示了在节点分类和社区检测任务中的优势。

图神经网络 (GNN) 通过学习特征和连接信息的二元性来检测图中的社区。研究表明，通过优化模块度，GNN可以将节点聚类到社区中。然而，当空间包含冲突信号时，GNN无法平衡信息的二元性。

该研究使用图神经网络的有监督学习方法解决社区检测问题，比信念传播算法表现更好。同时，对线性GNN进行社区检测问题训练的优化梯度进行了分析。

本文介绍了一种利用图拉普拉斯矩阵的谱特性和分层聚类技术的算法，用于检测复杂网络中的社区和模块化结构。该算法性能优于其他现有方法，速度相对较快，成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。

本文讨论了互信息在分类学和社区检测分析中的应用，提出了修正的互信息量，并探讨了实现方法和实例应用。