通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。

Apr, 2013

本文讨论了基于核密度估计和均值漂移算法的聚类方法及其理论，包括模糊和非模糊均值漂移、高斯混合模型、与尺度空间理论、谱聚类等算法的联系，以及对大型数据集的加速策略和图像分割、去噪等应用。

Mar, 2015

提出了一种新的 k-medoids 聚类算法，该算法只需要一小部分数据点之间的距离，并利用三角不等式来估算未知距离的上界，并采用递归方法和主动选择数据点的方法，在真实世界和合成数据集上经验证明其能够找出合适的聚类效果。

Dec, 2015

通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

Nov, 2023

提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

Jun, 2014

我们提出了一种简单而优雅的特征加权变体均值漂移算法，可有效学习特征的重要性，从而将均值漂移的优点扩展到高维数据，其不仅优于传统的均值漂移聚类过程，而且还保留了计算上的简单性。此外，所提出的方法具有严格的理论收敛保证和至少三次收敛速率。

Dec, 2020

该论文提出了一种基于流形学习和张量正则化的聚类算法，不同于传统的基于 k-means 的方法，该算法通过构建距离矩阵来直接检测数据簇，同时应用于多视图数据中，证明了其优越性能。

May, 2023

本研究提出了一种基于随机版本均值漂移聚类算法，与确定性的均值漂移聚类相比，在合成的二维和三维数据集上进行了集群纯度和类数据纯度的比较，发现随机均值漂移聚类在大多数情况下优于确定性均值漂移。

Dec, 2023

本论文分析了 Epanechnikov Mean Shift 算法的收敛行为，提出了一种修正方案使其保证在有限次迭代内在估计密度的局部最大值处结束，而无需从每个数据点开始进行迭代，具有很好的聚类准确性。

Nov, 2017

在探索性数据分析中，基于中心点的聚类方法如 k-means、k-medoids 和 k-centers 被广泛应用。我们提出了一种引入最大半径约束的聚类方法，通过解决半定规划问题和带二次约束的线性分配问题来达到我们的约束。通过定量和定性实验，我们证明了该方法在处理复杂的实际数据集时的鲁棒性。

Mar, 2022