高维空间哈密顿圈聚类
本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。
May, 2022
该研究提出了一种名为 HypHC 的方法，将传统的基于启发式算法的相似性层次聚类问题转化为一个离散优化问题，并通过连续松弛技术获得全局最优解，该方法通过超蜂窝嵌入实现了离散树到连续表示的映射，并采用解码算法通过叶节点嵌入到树状图的映射，实现了连续优化用于搜索离散二进制树的空间。
Oct, 2020
本文介绍了一种基于深度神经网络的对比层次聚类模型 CoHiClust，采用自监督学习方法来将基础网络分解为二叉树结构，生成一种合理的聚类结构，并且在大多数图像数据集上与现有的平面聚类模型相比取得了更好的聚类精度。
Mar, 2023
本研究提出了基于超维计算的聚类算法，通过利用编码数据的相似性确定初始聚类超维，并通过实验证明相似性传播聚类算法在八个数据集上的聚类精度优于其他算法，提高了聚类算法的准确性。
Dec, 2023
本文研究了基于有向图的聚类，提出了基于 Hermitian 矩阵的近线性时间算法，并在合理假设下进一步证明该算法可以在亚线性时间内实现，并在 UN Comtrade 数据集上进行了广泛的实验，证明了算法的重要性。
Nov, 2020
本文提出了一种上下文感知的超图相似度测量方法和一种基于此的健壮谱聚类算法，该算法可以处理有噪声的数据并且结合了三种超图处理方法：成对超图、k 近邻超图和超分类超图，同时使用判别式超图分割准则进行聚类。实验表明，该算法具备高效性和鲁棒性。
Jan, 2014
使用循环随机梯度 Hamiltonian Monte Carlo (cSGHMC) 的贝叶斯自监督学习方法，在嵌入向量的高维多模态后验分布中探索，采用表达丰富的后验分布提供解释性和多样性的特征表示，从而提高了性能，在多种下游分类任务中实现了校准和超出分布检测，并在四个具有挑战性的数据集上进行了实验验证，同时将所提出的方法在 SVHN 和 CIFAR-10 数据集上用于超出分布检测的有效性进行了证明。
Aug, 2023
我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering（UDGC），通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类，从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示，UDGC 明显优于现有的模型。
Nov, 2023
本文提出了一种基于泊松度校正超图随机块模型（DCHSBM）的聚类方法，该方法利用最大似然推断来实现超图聚类，其聚类目标扩展了图的流行性目标，使用了一种新的基于节点整合的变化，具有高可扩展性。通过综合分析各种实验数据，包括学校联系网络、U.S. 国会议案、合作购买行为的产品类别和网站浏览会话的酒店位置，作者发现该聚类方法能够恢复具有相应高阶结构的真实聚类。
Jan, 2021