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。

Nov, 2015

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

该研究提出了一种名为DEPICT的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。

Apr, 2017

本文研究了联合聚类和学习表示问题，提出了一种在 $k$-Means 聚类中基于目标函数连续重新参数化的方法，该方法在多个数据集上经过测试证明其在聚类对象的同时学习表示方面的有效性。

Jun, 2018

本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数，通过对成对约束条件的负对数似然最小化来优化聚类分配，具有优秀的可扩展性和性能。

Jun, 2018

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

这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

Jan, 2019

我们提出了一种新的深度聚类网络，利用信息理论差异度量的鉴别能力，提出了一种新颖的损失函数，避免了聚类分区的退化结构。

Feb, 2019

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

本文介绍了一种有效的深度聚类方法，该方法使用了分裂/合并框架、动态体系结构自适应于不断变化的聚簇数量K，并且不需要预先指定K值。论文证明了这种无需预先指定簇数的非参数方法在ImageNet等数据集上，超越了现有的基于深度学习和传统的非参数聚类方法，并展示了在数据集不平衡时，预先指定K值的方法的性能下降。

Mar, 2022