本文研究了层次聚类问题，尤其是针对与平均链接聚类相关的性能和基于相似性和相异性的目标提出了新的算法，可以获得更好的结果。

Aug, 2018

本研究提出了一种基于图的汇聚算法用于高维数据聚类，该算法通过研究图论中的两个基本概念（入度和出度）在聚类中的不同作用，定义了聚类的亲和度，该算法在图像聚类和物体匹配两个计算机视觉问题上均表现出优于最先进技术的效果。

Aug, 2012

提出了一种耦合分层聚类的相似度函数训练方法，并且引入了可以平滑插值三种不同分层方式的监督分层聚类方法，在四个数据集上的实验证明了该方法比其他方法更加优秀。

Jun, 2019

研究数据驱动的算法选择和度量学习以在聚类问题中同时学习最佳算法和度量。我们的工作考虑从基础度量函数中学习的凸组合的距离函数集合，为此设计了有效的学习算法，并对这些技术进行了全面的实证评估，表明它们可以显著提高聚类性能。

Jul, 2019

提出了基于中心的聚类算法的鲁棒框架 Median-of-Means，其在形式上覆盖了多种常见的聚类变体，其强一致性和误差率的阈值能够超过文献中已知的最佳结果，同时实验证明其在真实和合成数据集上具有很好的表现，同时还得到了一致的集中度界限。

Oct, 2021

本文研究了 Ward 方法在分层 k 均值问题中的应用，通过对完全链接的算法进行分析，发现当最优 k 聚类具有良好分离性时，Ward 方法可以计算出 k - 均值目标函数的 2 - 近似解，并证明了当最优聚类满足平衡条件时，Ward 方法完全恢复最优解，并且我们证明了一维数据集的 Ward 聚类可以实现 O (1) 的近似解。

Jul, 2019

本文提出了一种层次凝聚图聚类算法框架并给出了完整的精确算法和近似算法，可以用于加权图的聚类问题，并通过用 $k$-NN 方法将点集转化为加权图，实现对点集的快速聚类。

Jun, 2021

在探索性数据分析中，基于中心点的聚类方法如 k-means、k-medoids 和 k-centers 被广泛应用。我们提出了一种引入最大半径约束的聚类方法，通过解决半定规划问题和带二次约束的线性分配问题来达到我们的约束。通过定量和定性实验，我们证明了该方法在处理复杂的实际数据集时的鲁棒性。

Mar, 2022

本文介绍了在具有聚类大小限制以及边权重正负约束的图上的相关聚类问题。该研究提出了在边权重值为常数近似保证的情况下，解决带有聚类大小限制的相关聚类问题的方法。

Nov, 2014

本文基于社会平衡理论，采用相关聚类指数作为标签规律度量来发展有关有符号网络中链接分类的理论。我们在在线、批量和主动三种基本的转导学习设置中，以相关聚类的形式推导学习界限。我们在主动设置中的主要算法贡献是引入了一类新的高效链接分类器，该分类器基于用小电路覆盖输入图形。这些是第一批针对任意符号网络误差边界的主动链接分类算法。

Jan, 2013