本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。

Mar, 2019

本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

Apr, 2023

本文探讨了人脸识别中如何有效聚类未标记数据的问题，提出了一种基于图卷积网络的新方法，可以更准确地聚类人脸并提升识别性能。

Apr, 2019

本文提出了 ConfGCN，并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响，从而获得了各向异性的能力，从而在标准基准测试中超过了现有技术水平的基线，以解决基于 GCN 的设置下缺乏置信度评估的问题。

Jan, 2019

本文介绍了一种新的人脸聚类方法，将人脸聚类任务转化为成对关系分类任务，避免了在大规模图上训练所需的高内存消耗，并借助上下文信息以增强分类器性能。同时，引入排名加权密度来指导选择输入分类器的对。实验结果表明，该方法速度最快，内存消耗最小，并且在几个公共聚类基准上达到了最先进的性能。

May, 2022

本文提出了一种名为 Ada-NETS 的新算法，通过构建清洁图形来聚类面孔，该方法与当前最先进的方法相比具有优越性和普适性，可以通过邻居发现策略来显著减少噪声边缘。

Feb, 2022

本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力，并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布，并提出了一种监督对比聚类方法来将特征拉向簇中心，并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后，对流行的面部基准进行了广泛的定性和定量实验，证明了我们范式的有效性以及在现有的面部识别方法上的优越性。

Dec, 2023

基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

Oct, 2023

该论文提出了一种从事件图像中发现社交关系的系统，利用事件图像中的社交信息，通过协同出现等方法实现了一种面部聚类方法，可以在不知道事件参与者身份的情况下发现社交连接，通过收集超过 3000 名参与者的 40000 张脸部图像进行实验证明了脸部图像可以得到良好的聚类效果，从而构建了社交图，利用离线事件图像可能对社交网络分析产生长期影响。

Sep, 2023

本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

Mar, 2022