基于颗粒化球的高效最小生成树聚类算法（GBMST）
提出了一种新的聚类方法，名为自适应基于颗粒 - 球分化的聚类方法，能够高效识别形状未知、复杂的聚类，同时提供了一种有效的自适应方法来描述世界，并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。
May, 2022
本研究介绍了一种利用可证明粒度原理为质量评估的数据聚类方法，并采用二叉树修剪策略和异常检测方法确定每个 GB 的最佳子 GB 组合和识别异常 GB，从而最大化生成的 GB 质量并提高聚类准确性和归一化互信息。
May, 2024
本文提出了一种针对图中任意形状节点簇的差分隐私聚类算法，该算法仅使用在权重差分隐私约束下释放的近似最小生成树作为输入，并通过最优剪切方法从中成功恢复底层的非凸聚类分区。与现有方法不同，我们的算法在理论上得到了很好的支持，并且实验证实了我们的理论发现。
Mar, 2018
本文提出了一种基于关注机制的快速稳定 Granular ball 生成方法，并在此基础上开发了 GB$k$NN++，它可将误分类降至一定程度，实验证明此方法在 20 个公共基准数据集上的性能优于现有 GB 基分类器和经典机器学习分类器。
May, 2023
本文提出一种新的分布式 k-median 和 k-means 聚类算法，通过 coresets 的方法，构建全局 coreset，降低了通信复杂度，实验结果表明该算法优于其他 coreset-based 分布式聚类算法。
Jun, 2013
我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。
Dec, 2017
提出了一种基于最小权重生成树的可微聚类方法，通过线性规划的随机扰动实现平滑和高效的梯度计算，从而在端对端可训练流水线中进行聚类，并演示其在高噪声和具有挑战性的数据集上的性能和用于半监督任务的。
May, 2023
本文针对 SDN 中多播流的可扩展性问题，提出一种新的多播树 ——BST，并设计了近似算法 BAERA 用于解决该不可解问题，仿真结果表明 BAERA 生成的树比最短路径树和传统的 Steiner 树更具带宽效率和可扩展性，并且可以在 SDN 中部署，适用于大规模网络。
Apr, 2014