该研究通过改进 Mitra 算法和谱聚类方法，提出更精细的分布模型和二分随机块模型的分类条件。

May, 2024

使用潜在因子块危险模型和张量完成方法，在分析各种干预对客户流失影响时，提出了一种创新方法。模型考虑了客户流失数据的二元特性和时间单调趋势，并通过独特的干预分类方法增强了实施客户保留策略的精确性和实用性。

May, 2024

我们引入了一种能够很好地将约束引入到半定谱聚类的新框架，通过扩展半定谱聚类的能力来捕捉复杂的数据结构，以更有效地解决现实世界中的聚类挑战。此框架在各种真实数据集和学习场景中展示了超越现有光谱聚类方法的优越性，为处理复杂聚类问题提供了一种多功能工具。

Apr, 2024

通过统计学的角度研究了有向图聚类问题，将聚类问题建模为有向随机块模型（DSBM）中估计底层社区的过程，并通过最大似然估计（MLE）推断出给定观察到的图结构的最可能的社区分配。此外，还建立了该 MLE 公式与新型流优化启发式算法之间的等价关系，该算法同时考虑了两个重要的有向图统计量：边密度和边方向。在此基础上，提出了两种高效且可解释的有向聚类算法，即谱聚类算法和基于半定规划的聚类算法。我们利用矩阵扰动理论中的工具给出了谱聚类算法中被错误聚类的顶点数量的理论上限。通过在合成数据和真实世界数据上定量和定性地比较我们提出的算法与现有的有向聚类方法，从而进一步验证了我们的理论贡献。

Mar, 2024

研究了针对良好聚类图中恢复聚类的差分隐私算法，这些图的顶点集可以被划分为少量集合，每个集合引导高内部电导和小外部电导的子图，这些图在谱聚类的理论分析中具有普遍应用。提供了一种针对这种图特别定制的高效（ε，δ）差分隐私算法。该算法灵感来自 Chen 等人最近的工作，他们在图仅包含两个几乎平衡聚类的情况下开发了差分隐私算法。我们的算法适用于具有 k 个几乎平衡聚类的良好聚类图，误分类比率接近最佳非隐私算法。通过在已知的地面真实聚类的数据集上进行实验评估，证实了我们算法的能力。还表明任何（纯的）ε- 差分隐私算法将导致显著的误差。

Mar, 2024

对于说话人区分，聚类说话人嵌入是至关重要的，但它尚未得到与其他组件一样多的关注。此外，当开发和评估数据来自不同领域时，对于说话人区分在各种数据集上的鲁棒性尚未得到探究。为了弥补这一差距，本研究深入研究了用于同领域和跨领域说话人区分的谱聚类方法。我们在两个广泛使用的语料库 AMI 和 DIHARD 上进行了大量实验，揭示了在领域不匹配情况下的说话人区分性能趋势。我们观察到，两种不同领域条件之间的性能差异可以归因于谱聚类的作用。特别是，在保持其他模块不变的情况下，我们展示了最佳调参参数以及说话人数量估计差异的来源是由于不匹配引起的。这项研究为说话人区分研究开辟了几个未来方向。

Mar, 2024

通过将数值和类别信息结合到谱聚类算法中，本文提出一种新的方法来处理混合数据，避免了数据预处理或使用复杂的相似性函数，并展示了相应的聚类目标函数和线性时间复杂度的算法。与其他相关方法相比，实验证明该算法在性能和运行时间上具有竞争力。

Mar, 2024

该论文提出了一种统一的模型选择技术，通过结合不同的现有模型选择技术，自动推断用于基于谱聚类的运动分割方法的运动组数，并在 KT3DMoSeg 数据集上评估了该方法在给定簇数为基准信息时与基准方法相比所取得的有竞争力的结果。

Mar, 2024

通过对相似性矩阵的特征向量的波动性进行建模，证明了在大维空间中其元素的波动服从高斯分布，从而精确预测了谱聚类的分类性能。通过对合成数据和真实数据的数值实验，证明了这一现象的普适性。

Feb, 2024

深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

Jan, 2024