该论文提出了一种基于流形学习和张量正则化的聚类算法，不同于传统的基于 k-means 的方法，该算法通过构建距离矩阵来直接检测数据簇，同时应用于多视图数据中，证明了其优越性能。

May, 2023

本文提出了一种相似性驱动的聚类合并算法，用于解决聚类验证问题，算法采用聚类相似度矩阵计算相似性，自适应阈值进行合并，同时使用具有 p - 范数距离和聚类主成分的修改广义目标函数来进行非监督聚类。

Jul, 2012

提出了一种计算理论和半监督聚类算法，将聚类定义为根据所选的聚类原则和度量方法获得数据分组，使每个组不包含异常值，所有其他示例被认为是边缘点，孤立的异常值、异常簇或未知簇。

Jun, 2023

通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

Nov, 2023

提出了一种新的 k-medoids 聚类算法，该算法只需要一小部分数据点之间的距离，并利用三角不等式来估算未知距离的上界，并采用递归方法和主动选择数据点的方法，在真实世界和合成数据集上经验证明其能够找出合适的聚类效果。

Dec, 2015

该论文介绍了一种基于众包模型的图像聚类方法，可应对无法得知聚类数目的情况，该方法的有效性已通过在多个人工数据集上的应用得到了证明。

Oct, 2016

通过密度和簇分配的概念，提出了一种 K-modes 目标函数算法，能够有效地聚类数据并找到有效的模式，相比于 K-medoids 和 mean-shift 更快且更加鲁棒。

Apr, 2013

分散数据集的联邦学习技术可以进行机器学习，而无需数据集合，因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现 K-means 聚类的算法，旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。

Oct, 2023

本文提出了一种基于随机化的近似核 K-means 簇算法，其利用采样点与数据集中所有点之间的核相似性来近似聚类中心，实现了与传统低秩核近似聚类方案相比更好的聚类性能、更短的运行时间和更小的内存需求，最后利用集成聚类技术进一步提高算法性能。

Feb, 2014

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