Die meisten jüngsten Ansätze zur Graph-Clustering-Methodik setzen auf Graphen-Autoencoder (GAEs), um gemeinsam Clustering und Embedding-Lernung durchzuführen. Dabei wurden jedoch zwei kritische Probleme bisher übersehen. Erstens führt der akkumulierte Fehler, verursacht durch das Lernen mit verrauschten Clustering-Zuweisungen, zu einer Verschlechterung der Wirksamkeit und Robustheit des Clustering-Modells. Dieses Phänomen wird als Feature Randomness bezeichnet. Zweitens zwingt die Rekonstruktion der Adjazenzmatrix das Modell, irrelevanten Ähnlichkeiten für die Clustering-Aufgabe zu lernen. Dieses Problem wird als Feature Drift bezeichnet. Interessanterweise wurde bisher noch keine theoretische Verbindung zwischen diesen beiden Problemen untersucht. Wir analysieren diese Frage aus zwei Perspektiven: (1) Es besteht ein Kompromiss zwischen Feature Randomness und Feature Drift, wenn Clustering und Rekonstruktion auf derselben Ebene durchgeführt werden, und (2) das Problem der Feature Drift ist bei GAE-Modellen gegenüber herkömmlichen Autoencoder-Modellen deutlich ausgeprägter, was auf die graphenkonvolutionale Operation und die spezifische graphische Dekodierungsarchitektur zurückzuführen ist. Ausgehend von diesen Erkenntnissen reformulieren wir die GAE-basierte Clustering-Methodik. Unser Ansatz ist zweigeteilt: Erstens schlagen wir einen Sampling-Operator $Ξ$Ξ vor, der einen Schutzmechanismus gegen verrauschte Clustering-Zuweisungen aktiviert. Zweitens präsentieren wir einen Operator $Υ$Υ, der einen Korrekturmechanismus gegen Feature Drift einleitet, indem er die rekonstruierte Graphenstruktur schrittweise in eine clusterausgerichtete Form überführt. Als zentrale Vorteile bietet unsere Lösung eine erhebliche Verbesserung der Clustering-Wirksamkeit und -Robustheit und lässt sich problemlos auf bestehende GAE-Modelle anpassen.