本文研究基于少量配对相似性进行层次聚类的方法，证明如果簇内相似性超过簇间相似性，则可正确确定层次聚类，提出一种自适应聚类方法并解决了具有噪声相似度值的情况。

Feb, 2011

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

本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

Oct, 2023

本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。

Feb, 2016

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

本文提出了一种基于相关性阈值和谱聚类算法的低复杂度聚类算法，可将高维数据点聚类成低维线性子空间的集合，并成功处理了子空间相交和数据点缺失的问题，同时还提出一种检测异常值的方案。

Mar, 2013

本文提出了一种可扩展的聚合层次聚类方法，可以在不降低质量的前提下对数十亿个数据点进行聚类，并在公开的聚类基准测试集上实现了最先进的结果，同时还将层次聚类引入作为非参数聚类目标的近似算法。

Oct, 2020

该论文提出了一种利用两个相关指标来估算子空间嵌入中的聚类数，使用增长型神经气 (GNG) 逼近的算法，有效地解决了聚类问题，并在效率上与手动设置 k 的相似方法竞争。

Feb, 2023

使用 BETULA 数据聚合算法进行数据聚类，使得在资源受限的系统上使用层次凝聚聚类方法成为可能，仅在聚类质量上有轻微损失，并且允许对非常大的数据集进行探索性数据分析。

Sep, 2023

该论文介绍了谱聚类算法和图拉普拉斯的基本性质，推导了不同的谱聚类算法，比较了它们之间的优缺点。

Nov, 2007