提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

Jun, 2014

本文提出两种方法（ADMM 和 AMA）解决凸聚类问题，旨在避免局部最小值问题，提高算法效率。实验结果表明，AMA 相比 ADMM 在复杂度和准确率方面更优。

Apr, 2013

本文研究了一种以监督学习为基础的聚类分析方法，该方法结合了回归和分类，采用整数线性规划方法以及高度可扩展的贪心算法，支持不同类型的聚类定义，并能够展示数据中不同的可解释性的离散聚类结构。

May, 2023

研究了 k-means 问题在 Euclidean 空间中寻找 k 个中心使得所有点到离它们最近中心的距离平方和最小，证明了该问题的近似难度是 NP-hard，并且提出了最小近似系数 1.0013。

Sep, 2015

本文提出了一种基于局部策略的多核学习方法，采用凸优化算法和 Fenchel 对偶表示，对于应用于计算生物学和计算机视觉等应用领域的真实数据集，相比全局和非凸局部策略，此方法能够获得更高的预测准确性。

Jun, 2015

证明了 k-means 算法存在关于维数的指数下界，并以平面上的简单构造为例给出了指数下界的证明。

Dec, 2008

本研究采用图谱分析的方法，证明了欧几里得 k-means 问题的近似难度对于所有的 k 和 d 都是 NP 难的，同时发现当前最佳难度结果可以被推广到三角免费图中。

Feb, 2015

我们提出了一种新的算法 Laplacian K-modes，并通过优化一个紧密的辅助函数提高了其可伸缩性，进而实现了大规模数据的并行化聚类和密度模式查找，并在各种数据集上进行了全面的实验。

Oct, 2018

本文介绍了一种并行投影方法，用于解决度量约束优化问题，可以提高收敛速度并实现更大规模的应用。

Jan, 2019

本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。

Nov, 2022