本文提出一种协议，将用户提供的较小的数据样本进行聚类，并在此基础上建立一个数据表示方法，通过此方法学习聚类表征，并分析其统计样本复杂度，以及线性嵌入诱导的表征类的VC维，从而可以学习成功地学习具有有限VC维的表征类。
Jun, 2015
本文介绍了一种基于增强版k-means聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在STL-10数据集上获得74.1%的测试准确率以及在MNIST数据集上仅有0.5%的测试误差。
Nov, 2015
本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法——深度嵌入聚类（DEC），该方法可将数据空间映射到低维特征空间，并在此优化聚类目标函数，实验结果表明，DEC在图像和文本语料库方面的表现显著超过现有的最先进方法。
在本论文中，我们提出了一种循环框架用于深度表示和图像聚类的联合无监督学习(JULE)。通过在卷积神经网络(CNN)输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。我们的主要想法是将两个过程集成到一个模型中，该模型具有统一加权的三元组损失函数，并进行端到端的优化，从而获得更强大的表示和更精确的图像聚类。在广泛的实验中，该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。
Apr, 2016
本文提出了一种利用深度神经网络实现联合降维和K-means聚类的方法，通过学习非线性函数的深度神经网络，以期获得更好的聚类和降维效果。
Oct, 2016
本研究表明，最近的一些判别模型等价于K-means，并且证明对于常用的逻辑回归后验概率，通过交替方向方法最大化L2正则化的互信息等价于软化和正则化的K-means损失。这一理论分析不仅将最近的一些判别模型直接联系到了K-means，并且提出了一种新的软化和正则化的深度K-means算法，在几个图像聚类基准测试中表现出色。
Oct, 2018
本研究旨在探讨从未标记数据中同时学习K-means聚类和深度特征表示的问题，通过Gumbel-Softmax重参数化技巧的梯度估计器解决了原问题，并通过标准聚类基准测试证明了方法的有效性。
Oct, 2019
通过将 $k$-means聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。
本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。
Jun, 2022
基于神经网络的深度聚类在分析高维复杂现实世界数据方面取得了巨大成功，然而现有工作往往忽视了深度聚类中先验知识的融合和利用，本文通过对各种先验知识进行分类，提供了全面的深度聚类方法综述，并提供了五个广泛使用的数据集的基准测试和方法性能分析，希望能够为深度聚类研究提供一些新的见解和启发。
Jun, 2024