本篇论文研究层次聚类的优化问题，通过提出一些可靠的任务目标函数并对实际算法进行分析，提供了更优的算法以及性能表现。

Apr, 2017

为解决相似性测量困难及非线性相似性未被充分考虑等问题，在核空间中提出一种模型，同时学习聚类指示器矩阵和相似度信息，并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。

May, 2017

研究交互聚类的查询复杂度和相似度矩阵的信息理论下界及上界，证明相似度矩阵可以显著降低查询复杂度，在不知道$k,f_+和f_-$ 的前提下，算法高效且参数免费，并揭示其与常见社区检测模型的关联。

Jun, 2017

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

Grinch是一种新的算法，用于支持具有任意相似度的非贪婪层次聚类，该算法以其旋转和嫁接子程序为关键组件，可以快速重新配置层次结构，支持发现具有复杂结构的聚类，并且在数据到达顺序独立的情况下能够保证生成包含基本真值的聚类树。该算法在基准和作者共现数据集上（使用标准和学习链接函数）得到了良好的实验结果，其准确性超过了其他可扩展方法，并快了数个数量级以上。

Dec, 2019

该研究提出了一种可解释的基于设计聚类的方法，该方法不仅可以找到集群，还可以找到举例来解释每个集群。作者提供了两个近似算法，可以提供证明性能保证以及应用范围。实验结果表明，这项工作在涉及难以理解的深度图像和文本嵌入的领域中非常有用。

Sep, 2022

本文介绍了一种新的基于相似度的解释性邻居探索算法SPINEX，通过结合集成学习和特征交互分析来实现准确的预测和有意义的洞察，并且在59个合成和真实数据集上进行了广泛的实验来评估其性能。实验结果表明，SPINEX在某些情况下可能优于常用机器学习算法，是一个有前途的方法用于各种现实世界的应用。

Jun, 2023

本研究提出了基于超维计算的聚类算法，通过利用编码数据的相似性确定初始聚类超维，并通过实验证明相似性传播聚类算法在八个数据集上的聚类精度优于其他算法，提高了聚类算法的准确性。

Dec, 2023

SPINEX是一种新颖的异常和离群点检测算法，利用相似性和多个子空间之间的高阶交互概念来识别离群点，并通过评估21种常用的异常检测算法以及各种领域、各种维度和复杂度的39个合成和真实数据集，证明SPINEX具有卓越的性能，在综合数据集中排名第一，在真实数据集中排名第七，并具有适度的复杂度。

Jul, 2024

本文针对时间序列和预测分析中的预测准确性和可解释性问题，提出了SPINEX的新算法，该算法利用相似性和高阶时间交互。实验证明，SPINEX在处理复杂时间动态方面表现优异，常常排名前五，显示了其在预测精准度和决策透明度中的潜力。

Aug, 2024