提出了一种无监督聚类框架，使用深度神经网络进行端到端的学习，从而直接对图像进行聚类分配，同时通过自我监督任务来获得更有意义的图像特征表示，实验结果表明，该方法在六个具有挑战性的基准测试中取得了优异的成果。

Dec, 2019

本文提出一种利用深度神经网络来建模聚类任务中数据间关系从而提高聚类效果的算法，名称为 Deep Discriminative Clustering (DDC)。DDC 采用全局和局部约束对关系进行调整，通过迭代式训练得到高水平的表征，并将其作为聚类中心进行直接聚类。实验证明，DDC 在图像、文本和音频数据集上表现出比当前方法更佳的聚类效果。

May, 2019

该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC)，它从两方面同时考虑了语义聚类和特征表现，从而增加了跨类别差异并同时减少了类内差异，且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。

Aug, 2020

本文提出了一种自我监督的相关性挖掘网络（SCM-Net），其中包括解耦样式编码器（DSE）和相关性挖掘模块（CMM），用于在特征空间中重新排列源图像，并使用图形分析的身体结构保持损失（BSR Loss）来提高生成效果。实验表明，相对于其他有监督和无监督的方法，该方法在 DeepFashion 数据集上表现优越。

Nov, 2021

通过深度典型相关分析 (DCCA) 找出可以最真实地从一种数据视角推导出的特征，进而构建出一非参数隐含联合概率分布的经典版本，以求解贝叶斯估算和标准偏差，并测试其在 OCCLUD MNIST 图像推理和监督学习中的可行性和效率，同时探索了发现单个数据集中显著的独立变量的可能性。

Apr, 2019

通过对视图重要性进行融合，并通过聚类级对比学习和语义特征度量来减弱假阴性对之间的对比学习，我们提出了一个名为 DCMCS 的多视图聚类框架，用于减轻假阴性对的影响。实验结果表明，该框架优于现有方法。

Mar, 2024

提出了一种名为 Dual Correlation Reduction Network（DCRN）的方法，该方法采用双重相关性降低的策略来减少节点编码过程中的表征崩溃现象，同时通过 GCN 中引入传播正则化项来缓解过度平滑造成的表征崩溃现象，实验表明该方法在六个基准数据集上相比于现有最先进算法表现更好。

Dec, 2021

本论文通过研究深度约束聚类（DCC）的一种新的逻辑损失函数，探讨其理论性质，并提出了一种基于几何因子分析的新的损失函数来对抗噪声注释。该方法经过多个数据集的测试验证，表明即使在未知注释混淆的情况下，我们提出的学习标准下数据成员仍可被证明地识别。

May, 2023

本研究提出了一种名为 DDMC 的新型双解缠绕深度多聚类方法，通过学习解缠绕表示来实现多个隐藏数据结构的独立聚类目标，并通过变分期望最大化（EM）框架进行实现，实验证明 DDMC 在七个常用任务上始终优于现有的方法。

Feb, 2024

本研究提出一种基于循环伪任务优化的框架，用于联合挖掘深度 CNN 特征和图像标签，并对大规模医学图像注释和无监督场景识别等应用进行了验证。

Jan, 2017