本文提出了一种双聚类算法框架用于解决聚类、社区检测和多参数模型估计等问题，首次将多参数模型的任务形式化为共识问题，并且证明了这些任务的等效性，并与计算Gestalt程序建立了联系。在图像处理应用中，通过广泛的实验结果展示了该算法的有效性。

Apr, 2014

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

该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

Jul, 2020

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

本文提出了一种使用一致性原则的无监督表示学习算法ConCURL，通过综合考虑共识、示例和种群三种一致性来实现对图像的聚类，并在四个数据集上实现了比现有方法更好的聚类性能。

May, 2021

本研究提出了一种深度整合学习框架 DECCS，该框架能够有效地学习多种异质聚类算法的共识表征，并能够显著提高聚类结果的准确性和鲁棒性。

Oct, 2022

本文提出一种聚类学习框架CARL-G，使用Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了79倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。

Jun, 2023

通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

Nov, 2023

本文探讨了图聚类的传统和最新方法，涵盖了基本概念、图论中的背景知识，以及利用深度学习进行聚类的先进技术。通过实验对这些方法进行了综合比较，并讨论了图聚类的实际应用和未来研究方向。

Jul, 2024