通过综合使用核相关性和差异性，我们提出了一种新的方法来提取非线性信息和实现最优聚类，从而提高聚类的性能。
Mar, 2024
本文提出了一种新的本地样本加权多核聚类（LSWMKC）模型，它在核空间中构建一个共识判别力亲和力图，揭示了潜在的本地结构，并输出一个最优的邻域核，具有自然稀疏属性和清晰的块对角结构。此外，LSWMKC 隐式地优化了不同邻居在相应样本上的自适应权重，并表现出比现有的基于核或图形的聚类算法更好的本地流形表示。
Jul, 2022
本文提出了一种新的 MKL 框架，通过将每个核定义为一致核的扰动，并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中，并在多个基准数据集上得到了实验验证，证实了新框架的优越性。
Jun, 2018
本研究提出了一种名为 DDMC 的新型双解缠绕深度多聚类方法，通过学习解缠绕表示来实现多个隐藏数据结构的独立聚类目标，并通过变分期望最大化（EM）框架进行实现，实验证明 DDMC 在七个常用任务上始终优于现有的方法。
Feb, 2024
为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。
May, 2017
在跨领域少样本分类中，本文通过学习表示来构建度量空间，以测量样本和每个类别原型之间的相似性，并通过双层优化框架提出了一种最大化优化核依赖性（MOKD）的方法，以学习与给定任务标记数据指示的聚类结构相匹配的一组类别特定表示。
May, 2024
本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。
May, 2022
本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。
May, 2019
本文提出了一种基于多视角信息融合分区的一致聚类方法，并通过几个真实数据集证明了其在多视角聚类方面的有效性。
Sep, 2019
多核学习是一种在生物学和生物信息学中用于多组学输入的灵活、有效的方法，并且可以与深度学习架构相竞争，为异构数据集成方法提供了进一步发展和生物数据挖掘研究的方向。