该研究提出了一个基于层次聚类和谱聚类算法的框架，来解决大型数据集处理的问题，该算法在小型数据子集上运行，具有较高的性能、测量复杂度和运行时复杂度。经过广泛的实验验证，该框架实际上非常具有吸引力。

Jun, 2012

本研究通过对树叶对之间的相似度进行主动学习，研究树的层次聚类过程。 在实现的情况下，我们提供了完全重构树切割所需的查询数量的完整特征描述。 在非实现的情况下，我们依赖于已知的重要抽样过程来获得后悔和查询复杂度界限。 我们的算法具有对统计误差的理论保证，并且更重要的是，在问题的相关参数的情况下，它们自身具有线性时间实现的可行性。 我们讨论了这样的实现，证明了它们的运行时间保证，并展示了对真实数据集的初步实验结果，表明与被动学习和简单主动学习基线相比，我们的算法具有强大的实用性能。

Jun, 2019

本文提出了一种新的鲁棒的自下而上聚类算法，并展示了在满足一定自然属性且传统算法失效的情况下，该算法可以被用来进行准确的聚类。同时，该算法也被适用于归纳设置，并在合成数据和真实数据集上的实验表明，在存在噪音时，与其他分层算法相比，该算法可以获得更好的表现。

Jan, 2014

本文介绍了一种适用于一组点之间的层次结构的简单代价函数，该函数基于这些点之间的相似性，克服了现有算法由于缺乏精确客观函数而退化的问题。作者进一步证实该方法在经典实例中表现出良好的性能，并提出了一种上行建设程序，其近似比可以证明是好的。

Oct, 2015

本篇论文研究层次聚类的优化问题，通过提出一些可靠的任务目标函数并对实际算法进行分析，提供了更优的算法以及性能表现。

Apr, 2017

本文提出了一种新颖的基于随机游走的集成聚类方法，通过快速传播集群间相似性解决了现有算法所面临的对象级别信息和多尺度间接联系隐藏等方面的挑战，并提出了两个新的一致性函数以获得一致聚类结果。

Oct, 2018

本文考虑利用 Wang 等人（2013）的算法对图进行主动搜索，通过在数据上的相似函数来最小化图上的能量函数以选择点，并且提出了一些关键修改，使其能够跨大规模数据集进行扩展，并实现了与现有半监督方法相竞争的实验结果。

Apr, 2017

本文研究使用有序查询主动学习层次聚类，当有噪声存在时，设计了自适应算法，证明了在最坏情况下每个非自适应算法需要 Ω（n³）序数查询。

Aug, 2017

本文研究了带有结构约束条件的层次聚类问题，提出了两种基于优化视角的自顶向下算法，并且通过公式化约束性正则化的方法在存在冲突先验信息的情况下得出了良好的解，同时探讨了基于差异性信息变化的目标函数的变形并进一步优化了当前技术，最后将该方法应用于实际数据集的分类学应用

May, 2018

本文提出了一种相似性驱动的聚类合并算法，用于解决聚类验证问题，算法采用聚类相似度矩阵计算相似性，自适应阈值进行合并，同时使用具有 p - 范数距离和聚类主成分的修改广义目标函数来进行非监督聚类。

Jul, 2012