关于约束的谱聚类及其应用
本文拓展了经典的谱聚类方法，将不能链接和必须链接约束整合到了聚类中，并通过松弛优化问题获得了一种新的连续性方法，相比其他约束谱聚类方法，该方法能够保证满足所有约束条件并且可以快速处理大规模数据集。
May, 2015
我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。
Apr, 2024
本文提出了一种基于图拉普拉斯矩阵的谱性质与高斯图模型相结合的统一图学习框架，该算法能够有效地学习一大类图族的结构，并在大规模半监督和无监督的基于图的学习任务上进行实际的应用。
Sep, 2019
本文提出了一种新的受限聚类算法，该算法可以在考虑已有对比信息的情况下最大程度地满足约束条件，而不会将已知的链接信息转化为距离信息，以此来高效地学习核与度量，并在各种公共数据集上的表现明显优于现有方法。同时，本文还探讨了该方法如何应用于大数据处理，可以有效提高可扩展性。
Mar, 2022
本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。
Nov, 2017
本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于 k 个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于 k 个特征向量时，谱聚类也能够产生相当或更好的结果。
Aug, 2022
本研究研究了一种受 Chierichetti 等人提出的公平原则约束的、用于对图形数据进行分区的谱聚类方法。我们开发了归一化和非归一化受约束谱聚类的变体，并证明它们可以在合成和真实数据上找到更公平的聚类结构。在一种自然环境变体的随机块模型上，我们对算法进行了严格的理论分析，并证明我们的算法可以以高概率恢复这种公平聚类。
Jan, 2019
本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架，通过对图矩阵的谱约束实现了特定结构的图形式化，提出的算法具有收敛性，计算高效，在合成和真实数据集上的实验表明了其有效性。
Apr, 2019
本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类，重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景，并对 307 种约束聚类方法进行了统计分析，根据其受欢迎程度和验证质量对其进行了分类和排名评分，最后提供了潜在的陷阱和未来的研究方向。
Feb, 2023