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

本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。

Mar, 2021

本论文提出了一种名为 DCCM 的新型聚类框架，可以从三个方面探索和充分利用未标记数据中的各种相关性，通过伪标签监督，全面的研究特征对输入空间的图像变换的稳健性，并将 triplet 互信息应用于聚类问题中，从而进一步有助于学习更有区分性的特征。在多个数据集上进行了广泛的实验，取得了良好的性能，例如在 CIFAR-10 上达到 62.3％的聚类准确度，比现有最先进方法高出 10.1％。

Apr, 2019

本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

Apr, 2023

本研究提出了 Deep Robust One-Class Classification（DROCC），用于在各种标准域中应用于无需任何辅助信息的一类问题，并针对表示崩溃具有鲁棒性。实证评估证明，DROCC 在两个不同的一类问题设置和一系列不同领域的实际数据集上非常有效：表格数据，图像（CIFAR 和 ImageNet），音频和时间序列，在异常检测方面可提高高达 20％的准确性。

Feb, 2020

本文提出了一种基于对比学习的聚类方法，通过对表示进行分解，并使用分别编码不同信息的部分构建对比损失函数，可以高效地学习聚类结果。实验结果表明，该方法在多个标准数据集上取得了最新的甚至高居领先的聚类性能，尤其在 ImageNet 数据集上的准确率达到了 53.4％，并且优于现有方法。

Jun, 2023

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

本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

Apr, 2020

该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。

Mar, 2021

本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

Feb, 2022