提出了 DBSCAN ++ 密度聚类的简单改进方法，其只需要计算所选点的密度，可在大型数据集上提供与传统 DBSCAN 相媲美的性能和稳健性，同时运行时间很短。还证明了其在估计速率方面达到了最佳的极小极大值，这一质量可能是独立利益的。

Oct, 2018

LINSCAN 是一种新的算法，通过利用 DBSCAN 和 OPTICS 的优势，将点嵌入成近似其局部邻域的正态分布，并利用从 Kullback Leibler 散度派生的距离函数，以检测和区分在空间上密集但具有正交协方差的线性聚类，我们演示了如何将 LINSCAN 应用于地震数据，识别出活动断层，包括交叉断层，并确定它们的方向。最后，我们讨论了 DBSCAN 和 OPTICS 的扩展算法必须具备的性质，以保持这些算法的稳定性优势。

Jun, 2024

非监督学习中的聚类是一个基础问题，本研究介绍了一种简单的随机聚类算法，它在任意 k 下的期望运行时间为 O (nnz (X) + nlogn)，并在 K-means 目标函数上实现了近似比例约为 O (k^4) 的算法，通过实验证明与现有方法相比，我们的聚类算法在运行时间和聚类质量之间有一个新的权衡。

Oct, 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

提出一种自适应 DBSCAN 算法，用于在密度变化的情况下识别数据聚类，并发挥其噪声消除的能力。

Sep, 2018

本文提出了一个加速的分层密度聚类算法，它支持变密度聚类并消除了难以调整的距离尺度参数，提供与 DBSCAN 相当的性能，使得它成为密度聚类的默认选择。

May, 2017

该论文提出了一种利用 BIC 准则对数据集进行聚类的算法，将高斯聚类的最优数量组合成从统计上可分离的超聚类，该算法包括三个阶段：将数据集表示为高斯分布的混合聚类，使用马氏距离估计聚类间的距离和聚类大小，利用 DBSCAN 方法将聚类组合成超聚类，该算法自动检测最佳数量和形状的超聚类，具有较好的结果和能预测新数据的软聚类能力，但速度较慢，最终聚类结果具有随机性。

Sep, 2023

介绍了一个改进版本的 DBSCAN 算法，利用相似性图的块对角特性来引导聚类过程，通过未知排列构建图，并通过梯度下降求解，最终生成块对角图结构，以提供自动和交互式聚类分析的基础。

Mar, 2024

该研究提出了一种名为 SpectACl 的新聚类方法，旨在结合最小割和最大密度的优点，同时解决噪音和密度不同问题。实验表明该方法具有良好的效果。

Jul, 2019

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