DenMune 是一种新颖的聚类算法，它能够识别密集区域并移除噪声，用于处理具有任意形状的簇、不同密度的数据以及接近的数据类别，该算法相对于其他先进的聚类算法在低维和高维数据集上能够产生稳健的结果。

Sep, 2023

本文研究了密度聚类方法以及其特点、优缺点，重点探究了其在不同类型数据集中挖掘有用和适当模式的适用性，具体讨论了 DBSCAN、OPTICS、DENCLUE 和 VDBSCAN 等方法。

Jun, 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

本文提出基于密度的深度聚类集成方法（DDCE）进行对话意图诱导，相比于 K-means 方法，该方法更加有效，能够处理存在大量异常值的真实场景。在七个数据集上的实验结果表明，相较于其他最先进的基线方法，我们的方法显著优于其他

Jan, 2022

这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

Jan, 2019

通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

Mar, 2018

本文提出了一种名为 DeepCluE 的方法，它通过利用深度神经网络中的多层特征表示来增强深度聚类性能。该方法利用了无监督学习的实例级对比学习和聚类级对比学习，生成多组基本聚类，通过基于熵准则的可靠性估计，将这些聚类形成加权聚簇的双分图，利用转移割划分该双分图得到最终的图像聚类结果。实验结果表明，相对于先前的深度聚类方法，DeepCluE 方法具有明显的优势。

Jun, 2022

该论文提出了一种基于密度的点云去噪方法，该方法使用粒子群优化技术来自动逼近多变量核密度估计的最优带宽，并使用均值漂移聚类技术通过阈值方案来除去离群点。去除离群点后，应用双边网格滤波来平滑剩余点。实验结果表明，该方法是鲁棒和有效的。

Feb, 2016

基于模拟生物群落的算法设计实现了一种能够在聚类中平衡性能与参数优化难度的新型聚类算法 Bacteria-Farm，并且该算法还可以根据具体任务和数据分布创建不同版本，并具备排除噪声的功能。

Sep, 2023

提出了一种新方法，Counterfactual Latent Uncertainty Explanations（CLUE），它能够解释可微分概率模型（如贝叶斯神经网络）的不确定性估计，并能够使从业者更好地理解哪些输入模式会导致预测不确定性。

Jun, 2020