探究了社区结构如何能被用于复杂网络中以展示其组织和其组成部分之间隐藏的关系。这里提出了将一致性聚类（consensus clustering）与任何现有方法自洽地结合起来的框架，以显著提高生成的分区的稳定性和准确性。在将该框架应用于大型物理论文引用网络的案例中也展示了其跟踪主题出现、消失和多样化的能力。

Mar, 2012

通过提出一种针对公平聚类的黑盒公平攻击来分析公平聚类算法的鲁棒性；该攻击可以显著降低公平性性能。最后，提出一种新的公平聚类方法 Consensus Fair Clustering (CFC)，将一致性聚类转化为公平图分割问题，并迭代地学习生成公平聚类输出。实验表明，CFC 高度鲁棒，是一个真正的公平聚类替代方案。

Oct, 2022

本文探讨了在信号处理等领域中出现的多智能体分布式共识优化问题，并提出了与经典共识子梯度方法相比，收敛速度更快但计算复杂度更高的 ADMM 算法。同时，通过引入一步不精确计算的方法，降低了 ADMM 的计算复杂度，并证明了该算法具有良好的收敛性能。

Feb, 2014

本文综述了共识聚类的现有文献，探索不同类别之间的关系，并提供了转换基本分区到其他表示形式的共识机制，以及在不同设置和问题上的几种扩展方法和应用，包括约束聚类、域自适应、特征选择和异常检测等。

May, 2019

本文提出了一种新的鲁棒的自下而上聚类算法，并展示了在满足一定自然属性且传统算法失效的情况下，该算法可以被用来进行准确的聚类。同时，该算法也被适用于归纳设置，并在合成数据和真实数据集上的实验表明，在存在噪音时，与其他分层算法相比，该算法可以获得更好的表现。

Jan, 2014

本文提出了一种双聚类算法框架用于解决聚类、社区检测和多参数模型估计等问题，首次将多参数模型的任务形式化为共识问题，并且证明了这些任务的等效性，并与计算 Gestalt 程序建立了联系。在图像处理应用中，通过广泛的实验结果展示了该算法的有效性。

Apr, 2014

通过建立一个算法框架，我们提供了一种高效的逼近方案，用于在具有有限信息结构的情况下进行预测聚合，同时考虑了 Lipschitz 条件和离散条件。数值实验表明，我们的方法在所考虑的情景中能够提供几乎最优的聚合器。

Jan, 2024

本文提供了一种新的算法，针对子高斯混合数据，能够在存在异常值的情况下，获得最佳错误率的相对较强聚类结果。

Jun, 2023

扩大数据聚合方法的效果，提出一种利用问题之间的聚类结构的新型基于聚类的缩小 SAA 方法，证明该方法对问题数量的增长有额外的益处，探讨了不同距离度量对方法性能的影响，验证了聚类型数据聚合方法相较于现有方法在小数据大规模情景中的优势。

Nov, 2023

我们研究了典型的公平聚类问题，其中每个聚类被约束为每个群组的人口级别表达。尽管引起了很大的关注，但对于每个点的群组成员资格的不完全知识的显著问题仅仅是肤浅地得到解决。在本文中，我们考虑了分配的群组成员资格存在误差的情况。我们引入了一个简单且可解释的误差模型家族，需要决策者提供少量参数。然后，我们提出了一个具有可证明鲁棒性保证的公平聚类算法。我们的框架使决策者能够在鲁棒性和聚类质量之间进行权衡。与以前的工作不同，我们的算法有最坏情况下的理论保证。最后，我们在真实世界的数据集上验证了我们的算法的性能，并展示了其优于现有基准的表现。

Jun, 2024