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

我们提出了一种基于网络的分布式聚类算法族，通过局部数据集和与邻居节点通信来实现对整个数据集的聚类，该算法族在不同的聚类损失函数下具有强大性能，并且在收敛性和一致性方面具有良好的理论保证。

Feb, 2024

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

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024

本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

Apr, 2022

提出一种基于 Associated Gaussian Contrastive Learning 框架的联邦广义类别发现模型，该模型适用于在不暴露客户机训练数据的情况下协同训练，通过在服务器上聚合客户机学习的 GMM 分类生成全局 GMM 来生成更全面的类别知识，本地 GCL 使用有限的本地数据学习鲁棒的表示，全局 GCL 使用综合的类别关系鼓励模型产生更具有区分度的表示，实验表明该模型优于 FedAvg 基线。

May, 2023

本研究研究了广义密度聚类，提出了两种数据基础方法来选择波宽，并研究了密度聚类的稳定性，表明一种简单的基于图的算法可以成功地近似高密度聚类。

Jul, 2009

提出了一种结合普适引力算法的数据驱动巴格曼散度参数优化聚类算法（DBGSA），通过构建具有特殊属性的引力系数方程，逐渐减少迭代过程中的影响因子，并引入巴格曼散度广义幂均值信息损失最小化来识别聚类中心和构建超参数识别优化模型，有效解决了改进数据集中手动调整和不确定性的问题。对四个模拟数据集和六个真实数据集进行了广泛实验，结果表明 DBGSA 相对于其他类似方法如改进聚类算法和改进数据集，平均提高了 63.8％的各种聚类算法的准确性。此外，建立了一个三维网格搜索来比较阈值条件下不同参数值的效果，并发现我们模型提供的参数集是最优的，这一发现为算法的高准确性和强韧性提供了有力的证据。

Jul, 2023

在今天的数据驱动数字时代，收集的数据量和复杂性（如多视图、非欧几里德和多关系）呈指数级增长甚至更快。本文提出了一个简单而有效的复杂数据聚类（CDC）框架，可以以线性复杂度高效处理不同类型的数据。首先，我们利用图过滤来融合几何结构和属性信息。然后，通过一种新颖的保持相似性的正则化器自适应地学习高质量的锚点以降低复杂度。我们从理论和实验上证明了我们提出方法的聚类能力。特别地，我们将 CDC 应用于 111M 规模的图数据中。

Mar, 2024

深度神经网络在协变量移位和类别偏移下经常表现出次优性能。本文提出了一种源自由的通用领域适应方法，旨在准确分类属于常见类别的 “已知” 数据，并将其与目标私有的 “未知” 数据分隔开。我们提出了一种新颖的全局和局部聚类（GLC）技术，包括自适应的一对多全局聚类算法来区分目标类别，以及一种局部 k-NN 聚类策略来减轻负迁移。为了解决这一问题，我们将 GLC 发展到 GLC ++，集成了一种对比相似性学习策略。我们在多个基准和类别偏移场景中检验了 GLC 和 GLC ++ 的优越性。在最具挑战性的开放部分集场景下，GLC 和 GLC ++ 分别在 VisDA 的 H 分数上比 GATE 提高 16.7％和 18.6％。GLC ++ 在 Office-Home 的开放集场景中提高了 GLC 的新类别聚类准确性 4.3％。此外，引入的对比学习策略不仅改进了 GLC，还显著促进了现有方法。

Mar, 2024