本研究探索了利用概率聚类方法（k-sBetas）对深度神经网络的 softmax 预测结果进行聚类分析，提出了符合数据西格玛贝塔分布的目标函数，实现在不同场景下对未打标签数据的预测调整。

Jul, 2022

该研究提出了一种用于聚合来自不同信息源的多个聚类的原始方法，使用多层随机块模型（SBM）的混合来将具有相似信息的共成员矩阵分组为组件，并将观测分割为不同的聚类，考虑它们在组件内的特定性。该方法对模型参数的可识别性进行了建立，并提出了一种变分 Bayesian EM 算法来估计这些参数，通过贝叶斯框架选择了最佳的聚类和组件个数。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较，最后将该方法应用于全球食品贸易网络的分析，得到了有趣的结构。

Jan, 2024

提出了一种新的多聚类方法，该方法使用非参数贝叶斯方法进行模型推断，使用变分推断来求解，该方法在处理高维度数据时更为适用，在聚类时模型同时处理了数值型和分类型变量，应用该方法于真实数据集时能够推出数据集的聚类结构信息，并可应用于抑郁症数据集上。

Oct, 2015

本文研究了具有多层网络时聚类网络的基本极限。我们在混合多层随机块模型下展示了最小极大网络聚类错误率，该率采用指数形式，并由组成网络的边概率分布的 Renyi 散度来描述。我们提出了一种包括基于张量的初始化算法和基于似然的 Lloyd 算法的新型两阶段网络聚类方法。网络聚类必须与节点社区检测相结合。我们的算法实现了最小极大网络聚类错误率，在 MMSBM 下还允许极稀疏网络。数值模拟和实际数据实验证明了我们的方法优于现有方法。此外，我们还将我们的方法和分析框架扩展到包括二项式、泊松和多层泊松网络的离散分布混合中，研究了最小极大聚类错误率。在这些离散混合中，这些最优聚类错误率均采用 Renyi 散度描述的相同指数形式。我们提出的两阶段聚类算法也可以达到这些离散混合中的最小极大聚类错误率。

Nov, 2023

提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对 DDPMM 的 Gibbs 抽样算法进行低方差渐近分析而得出，提供类似于 k-means 算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的 ADS-B 飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

May, 2013

本文从贝叶斯非参数的角度出发，重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似 k-means 的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。

Nov, 2011

提出了一种使用广义贝塔分布的新型正态尺度混合类，并通过该类介绍了新的层次结构，从而发展了一类变分贝叶斯近似，以更高效地应对海量数据集。

Jul, 2011

该研究通过改进 Mitra 算法和谱聚类方法，提出更精细的分布模型和二分随机块模型的分类条件。

May, 2024

本文介绍了一种用于混合变量的 Restricted Boltzmann Machines 模型，可以同时建模多种类型和多样性的变量，并使用潜在二进制变量对变量之间的依赖性进行建模，支持在许多常见任务中使用，包括预处理、分类、回归和数据补全，同时在一个大规模数据集上进行了实验验证。

Aug, 2014

应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率，得到一种超越聚类的特征学习目标函数，并提出一些易于实现的新算法，这些算法的效果被实验结果验证。

Dec, 2012