本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题，并在实验中证明了该方法的有效性与可行性。

Jun, 2022

通过将正常样本的密度函数假设为在某些紧凑区域内是均匀的，减小方差放宽了对于特定数据的超参数调节要求，提出了基于改进密度估计的异常检测方案，并设计了一个方差稳定的密度估计问题，然后使用自回归模型学习了方差稳定分布，最后在 52 个数据集的广泛基准测试中表现出了最新的结果。

Jun, 2023

提出了一种基于异常检测算法引导重采样策略并将其组合成子集的集成学习框架 $ASE$，在各种不平衡度、数据规模和数据维度下，实验表明该模型可以显著提高基分类器的性能且比其他现有方法更高效。

Mar, 2022

本文介绍了三种重新调整数据集以提高对具有附加噪声特征的球形高斯簇返回聚类有效性指数的真实数量的可能性的方法，论文实验表明这些方法可以在不同聚类中考虑到不同特征的度量，以及这些方法可以增加估计数据集中真实聚类数量的准确性。

Feb, 2016

本文提出了一种基于 isotropic PCA 的 affine-invariant 聚类算法，该算法在混合模型输入的情况下有很强的保证力，特别是在对两个任意高斯混合的分类中结果最佳，对于超过两个的混合，只要存在一个低维度的子空间满足重叠很小的条件，即可得到良好的结果。

Apr, 2008

研究在大型数据集上 k-means 和 k-median 聚类的理论和实际运行限制，通过快速压缩数据并在压缩表示上进行聚类，提供了有效聚类的理论和实践蓝图。

Apr, 2024

本文提出了一种新颖的抗噪声深度度量学习算法，称为密度感知度量学习，其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性，并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析，表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。

Apr, 2019

本文提出了一种基于样本排名和加权交叉熵损失的图像聚类技术，其中样本排名基于密集邻域中样本所属当前聚类的可能性计算，该方法可以用于遥感图像。实验结果表明，该技术可以显著提高最先进的图像聚类模型的性能。

Sep, 2022

通过实验和比较，本研究证明了集成聚类方法中的证据累积聚类和 k-means 算法在共识聚类中取得了较好的结果和较低的计算成本。

Nov, 2023

我们研究数据选择问题，将利用 $k$-means 聚类和敏感性抽样方法，基于模型损失的嵌入表示，可选择一组典型样本，其平均损失与整个数据集的平均损失相对应，具有可证明的性质，并且在微调基础模型上表现优于最先进的方法，同时展示了它如何应用于线性回归，提供了一个更简单且可扩展性更强的抽样策略。

Feb, 2024