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。

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。研究发现，GNN可以将节点聚类到社区中，而不需要与基准进行比较。然而，该方法在预测基准性能方面存在局限性。模块度可用于超参数优化和模型选择，但当空间包含冲突信号时，GNN无法平衡信息的二元性。

本文介绍了一种新的基于谱域卷积架构的图像深度学习模型，通过广泛实验结果表明，该方法在谱图像分类、社区检测、顶点分类和矩阵完成任务等方面具有更好的性能。

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，GNN可以将节点聚类到社区中，而不需要与基准进行比较。然而，该方法在预测基准性能方面存在局限性。模块度可用于超参数优化和模型选择，但在存在冲突信号的情况下，GNN无法平衡信息的二元性。

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。