本研究提出了一种针对单链接层次聚类（包括 hdbscan）高效构建树状图的新型并行算法 pandora，通过独特的递归树合并方法以及支持 GPU 加速的实现，使 pandora 在处理实际数据中的倾斜树时无需考虑渐进性工作最优，相较于目前最佳的多线程实现，pandora 的多线程版本快 2.2 倍，GPU 版 pandora 在 amdgpu 上快 6-20 倍，在 nvidiagpu 上快 10-37 倍，使 hdbscan 在 GPU 上速度提升 6 倍。

Jan, 2024

本文介绍了一个基于 GPU 并行计算的超像素分割方法，使用单个显卡可将标准顺序实现的速度提高 83 倍，同时兼容标准顺序实现且代码开源。

Sep, 2015

我们改进了关于完全连接法在度量空间中得到的聚类最大直径的现有限制，其中一种新的限制能够在直径的近似度上将完全连接法与单连接法进行区分，从而验证了当目标是生成紧凑聚类时，前者比后者更适用。我们还展示了我们的技术可以用于推导包括非常流行的平均连接法在内的一类连结法的凝聚度的上限。

May, 2024

本文提出了一种层次凝聚图聚类算法框架并给出了完整的精确算法和近似算法，可以用于加权图的聚类问题，并通过用 $k$-NN 方法将点集转化为加权图，实现对点集的快速聚类。

Jun, 2021

本文研究了基于 CPU-GPU 异构平台实现的高效谱聚类算法。通过对高维空间中的数据点进行并行处理，建立标准的稀疏相似性图并计算拉普拉斯矩阵的最小 $k$ 个特征向量，同时在 GPU 上实现了快速的 $k$ 均值聚类算法。实验结果表明，该算法比 Matlab 和 Python 的最佳实现方法快得多，并且可以扩展到具有大量聚类的问题。

Feb, 2018

该研究评估了使用 NVIDIA CUDA API 加速 K - 最近邻搜索在计算机视觉中的应用，最多可缩短搜索时间 120 倍。

Apr, 2008

本研究提出了一种基于图的汇聚算法用于高维数据聚类，该算法通过研究图论中的两个基本概念（入度和出度）在聚类中的不同作用，定义了聚类的亲和度，该算法在图像聚类和物体匹配两个计算机视觉问题上均表现出优于最先进技术的效果。

Aug, 2012

介绍了用 Apache Spark 实现的高效的大规模并行算法来计算单链接聚类问题，该算法在 Hamming 距离，L1，L2 和 L∞ 距离下均能实现单轮 MPC，和（除了 Hamming 距离的精确算法外）都能实现（1+ε）- 近似，同时证明了在标准 MPC 难度假设下，o（log n）轮算法的常数近似难度结果。

Oct, 2017

该论文引入了 t-SNE-CUDA，它是一种 GPU 加速的 t 分布对称邻域嵌入（t-SNE）实现，用于可视化数据集和模型。t-SNE-CUDA 在图像和自然语言处理领域的数据集上实现了 50-700 倍的速度提升，从而实现了对整个 ImageNet 数据集的神经网络激活的可视化，并展示了 GloVe 嵌入向量的可视化效果。

Jul, 2018

本文提出了一种优化 k - 选择算法解决高维数据相似度搜索问题的方法，实现了快速且准确的 k - 最近邻图的构建，并在多个方面超越目前的最新 GPU 技术。

Feb, 2017