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

该研究分析了模糊均值漂移（BMS）算法作为优化过程的收敛性质，并提供了即使数据点序列收敛到多个点，产生多个聚类的收敛保证，同时还利用了收敛点的几何特征来展示 BMS 算法的快速收敛。

Feb, 2024

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

本文中，我们聚焦于模糊均值漂移算法，并证明了其收敛性和一致性，并进行模拟研究比较了模糊和非模糊版本的均值漂移算法效率高低，结果表明，模糊均值漂移算法更加高效。

May, 2013

针对一种特定的协变量偏移问题，该研究利用核均值匹配 (KMM) 估计器的高概率置信界推导出该估计器的收敛速率，并与自然插值估计器进行比较，结果表明其具有更好的效果和应用价值。

Jun, 2012

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

我们提出了一种新的算法 Laplacian K-modes，并通过优化一个紧密的辅助函数提高了其可伸缩性，进而实现了大规模数据的并行化聚类和密度模式查找，并在各种数据集上进行了全面的实验。

Oct, 2018

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

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

本文提出一种低复杂度的高斯消息传递迭代检测（GMPID）算法，用于海量多用户多输入多输出（MU-MIMO）系统，并提出了一种新的收敛 GMPID 算法，称为 SA-GMPID 算法，其在任何 $K < M$ 的情况下均以均值和方差收敛到 MMSE 检测，并且比 GMPID 具有更快的收敛速度，但与 GMPID 的复杂度相同。

Jun, 2016