- 自适应节点级权重学习的多阶图聚类
本文提出了一个多阶图聚类模型（MOGC），通过在节点级别整合多个高阶结构和边缘连接，采用自适应权重学习机制来自动调整每个节点不同结构的贡献，从而既解决了超图分割问题，又提高了聚类准确性。通过交替最小化算法高效地解决 MOGC 问题，并在七个 - 基于合理粒度原则的聚类生成引领粒团
本研究介绍了一种利用可证明粒度原理为质量评估的数据聚类方法，并采用二叉树修剪策略和异常检测方法确定每个 GB 的最佳子 GB 组合和识别异常 GB，从而最大化生成的 GB 质量并提高聚类准确性和归一化互信息。
- LSROM：用于快速非平衡流数据聚类的学习自我改进组织映射
提出了一种名为学习自我优化组织图（LSROM）的高效方法来处理不平衡的流数据聚类问题，该方法通过构建和细化自组织映射（SOM）来表示全局数据分布，并通过快速检索进行高效的微簇合并，以获得正确的不平衡聚类数，并且时间复杂度低，准确性竞争力强。
- 基于图卷积网络的多视角高光谱图像子空间聚类
该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。
- WWW张量时间序列的动态多网络挖掘
本文提出了一种名为 Dynamic Multi-network Mining（DMM）的新方法，用于将张量时间序列转化为一组具有多种长度（即聚类）的段群，并结合 l1-norm 的依赖网络对其进行子序列聚类，以实现可解释性、准确性和可扩展性 - 理论与实践中的快速简单谱聚类
本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的 - 核度量学习用于混合类型数据聚类
本研究提出了一种使用混合内核的度量方法来衡量数据之间的差异，并利用交叉验证确定最佳的内核带宽，针对包含纯连续型、类别型、混合型数据的模拟和真实数据集，利用该方法对现有的基于距离的聚类算法进行聚类，提高了聚类的准确性。
- 带有完全不完整信息的语义不变多视角聚类
提出一种不需要成对样本的多视角聚类框架 SMILE，通过发现在不同视角的显著语义分布密度不变性来解决有关缺失信息的问题，从而实现了对不完整对应和不完整实例的聚类，并取得了显著的表现.
- CKmeans 和 FCKmeans：使用拥挤距离的 Kmeans 算法两种确定性初始化程序
提出两种新的确定性初始聚类方法，名为 CKmeans 和 FCKmeans，基于修改后的拥挤距离，实验研究表明，该方法在聚类准确性方面优于 Kmeans 和 Kmeans ++，其中 CKmeans 和 FCKmeans 的有效性归因于它们 - CVPR通用类别发现的动态概念对比学习
本文提出了一种动态概念对比学习（DCCL）框架，该框架通过交替估计基本视觉概念和学习概念表示来有效地提高聚类准确性。实验结果表明，DCCL 在通用和细粒度视觉识别数据集上取得了新的最优表现，尤其是在细粒度方面表现良好。
- SpectralNet 的随机投影树相似度度量
本研究利用神经网络分离数据内嵌，提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类，实验证明，与基于距离度量的 $k$-nn 图相比，基于 rpTrees 的 SpectralNet 能够获得更好 - 可扩展和有效的基于传导度的图聚类
本文提出了一个基于 peeling 的图聚类框架 PCon ，并使用该框架提出了两个线性时间和空间复杂度的算法 PCon_core 和 PCon_de ，可以在处理十亿级别的图数据时实现高准确度的聚类效果，而且 PCon_de 的近似度理论 - CVPR利用图卷积网络的基于连锁的人脸聚类
本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。
- 具有辅助信息的约束稀疏子空间聚类
本文提出了一种增强的受限高维子空间聚类方法，称为带约束稀疏子空间聚类加（CSSC +），该方法利用部分辅助信息不仅在学习相似度矩阵阶段而且在谱聚类阶段中使用，同时基于部分辅助信息提出了聚类准确性估计的算法，并在三个癌症基因表达数据集上进行了 - 高维稀疏高斯混合模型的极小极大理论
本文提供了在高维情况下学习高斯混合物的准确最小值界限和基本限制，研究表明，如果存在决定均值分离的随机维度的稀疏子集，则样本复杂度只取决于相关维度的数量和平均分离，可通过简单的计算有效过程来实现；结果为最近结合特征选择和聚类的方法提供了理论基 - ICML超越 Cheeger 不等式的本地图聚类
本文提出了一种基于随机游走的局部聚类算法，通过将内部连接性参数考虑入内，改进了先前结果，得到更优秀的聚类精度和 conductance，并探讨了其与全局谱算法之间的联系。