局部加权集成聚类
本文提出了一种新的局部多视图子空间聚类模型，该模型考虑了不同视图和样本的置信度，并通过适当地为每个视图下的每个样本分配权重，从而获得了鲁棒的一致表示，进一步在权重参数上开发了一个基于凸共轭理论的正则化器，并以自适应方式确定样本权重，使用具有收敛保证的高效迭代算法，通过四个基准上的实验结果证明了该模型的正确性和有效性。
May, 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
该研究提出了两种新算法，U-SPEC和U-SENC，用于解决极大规模数据集的光谱聚类的可扩展性和稳健性问题，其中U-SENC在提高可靠性的同时保持高效性，并且这两种算法具有近乎线性的时间和空间复杂度。
Mar, 2019
本文综述了共识聚类的现有文献，探索不同类别之间的关系，并提供了转换基本分区到其他表示形式的共识机制，以及在不同设置和问题上的几种扩展方法和应用，包括约束聚类、域自适应、特征选择和异常检测等。
May, 2019
本研究探讨并观察到使用BYOL学习得到的特征对于聚类可能不是最佳的，提出了一种新颖的基于一致性聚类的损失函数，通过提出的方法进行训练可以提高聚类能力，并在一些流行的计算机视觉数据集上优于相似的聚类方法。
Oct, 2020
通过实验和比较，本研究证明了集成聚类方法中的证据累积聚类和k-means算法在共识聚类中取得了较好的结果和较低的计算成本。
Nov, 2023
我们提出了一种能够整合不同类型约束的半监督聚类方法——结构熵半监督聚类 (SSE)，通过将常用的成对约束和标签约束统一处理，将约束融入结构熵中，并为其优化设计了相应的目标函数和算法。我们使用九个聚类数据集对SSE进行了实验比较，结果表明它在具有不同类型约束时能够获得较高的聚类准确性。此外，我们通过对四个单细胞RNA测序数据集进行的细胞聚类实验证明了SSE在生物数据分析中的功能。
Dec, 2023
本文针对聚类领域的无监督技术提出了一种新方法，利用恰当贝叶斯自助法提高现有文献模型的稳健性和可解释性。研究结果显示，该方法不仅清晰指示了最佳聚类数，还能更好地表现聚类数据，展示了方法论和实证的进展。
Sep, 2024