本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

Apr, 2023

该研究介绍了一种完全自动化的系统，利用深度学习技术识别散点图中的关键组成部分，并利用光学字符识别和鲁棒回归从图像中提取散点数值，该方法可以成功从 89% 的测试数据中提取数据。

Apr, 2017

本研究提出了一种利用退火机的新型时间序列聚类方法，对时间序列数据进行分类的同时，具有去除异常值的鲁棒性。与现有的聚类方法相比，该方法在分类结果上获得了更好的表现。

May, 2023

本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于 Haar 散射变换，该变换能够计算出不变的信号描述符，并通过深度级联计算正交 Haar 小波变换来实现。此外，本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类在样本集上进行了测试。

Jun, 2014

本文提出 “散射组分分析”（SCA) 算法，使用一种简单的几何度量 “散射” 为基础，该算法能够应用于域适应和域泛化，并通过散射定量化每个类别之间的可分离性、领域之间的不匹配性和数据的可分离性。结论表明，与其他最先进的算法相比，SCA 在跨领域目标识别数据集上的性能更加优越。

Oct, 2015

本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

Mar, 2014

本文提出了一种新颖的基于谱的算法，并利用基于随机图模型下的谱特性设计出叠加社区网络中的聚类算法，成功地在模拟数据和真实图像数据中实现较好的表现。

Jun, 2015

该文通过波展分解和复模计算局部散射向量描述符，使用 PCA 模型选择进行监督分类，取得了手写数字识别和纹理分类的最先进结果。

Nov, 2010

本文提出了一种创新的表征学习方法，其中的 Stochastic Attraction and Repulsion Embedding 损失函数通过最小化 KL 散度，最大化相似的内部表征并最小化不同场所之间表征的相似度，得到更高的定位鉴别力，进一步提高了标准基准上的定位性能。

Aug, 2018

本文介绍了一种使用集成机器学习框架实现的无监督聚类算法将复杂计算机模拟中的涡流模式数据分类并划分为不同结构分类目录，提高了数据划分的准确性和鲁棒性，并给出了更精确和可靠的感兴趣区域范围确定方法。

Sep, 2021