我们提出了首个适用于 AQC 的聚类问题形式，该方法在当前量子计算机代际已经可解，并通过使用整数规划求解器与现有的基于优化的方法相比具有竞争力。
Sep, 2023
我们提出了一种新的数据驱动方法，将模型训练成使用无监督机器学习方法识别常见病理，以解决验证大规模量子设备（例如波色子采样器）的困难，并且通过训练分类器，该分类器利用 K-means 聚类来区分使用具有相同光子而非使用具有不同光子的波色子采样器。
Dec, 2017
本文介绍了一种新的方法，将量子聚类应用于图结构中，通过构建潜函数采用图梯度下降算法找到聚类中心，利用 GPU 并行计算势能值来评估方法性能，实验结果表明该方法具有优异的性能，最后还研究了 σ 对实验结果的影响。
May, 2023
我们提出了一种定制的分支限界算法来解决 $k$-densest-disjoint biclique 问题，通过同时聚类数据矩阵的行和列，找到给定加权完全二分图的 $k$ 个不相交的完全二分子图（称为 bicliques），使它们的密度之和最大化。
Mar, 2024
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。
本研究提出了一种基于变分量子电路的量子算法，用于对数据进行聚类；该算法可以将数据分类为多个聚类，并且可以在少量量子比特的嘈杂中间量子计算设备上轻松实现。
Jun, 2022
研究了一个凸形式的双聚类问题，其中提出了一种迭代算法 COBRA，此算法拥有全局极小值并且生成一个整体的解决方案。它包含了稳定性和可重复性的优点，并在模拟和实际微阵列数据上具有优点。
Aug, 2014
利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。
本文研究如何针对重叠聚类进行双分图可视化问题，并提出能够满足近距离聚类元素、连续区域聚类元素和大范围不间断设计限制的目标函数和算法，并在实际数据集上进行实验，发现最佳结果采用局部放置相似聚类成员行列的新型启发式算法。
Jul, 2023
利用噪声量子计算机 D-Wave 进行模拟和真实数据上的基于潜在后验概率的不确定解和数据点识别的概率平衡 k-means 聚类的研究。
Oct, 2023