- 小波包子空间聚类
基于小波包、MERA 张量网络的子空间聚类方法具有较好的聚类效果，对噪声具有较强的抑制能力，并在实验中取得了与深度子空间聚类算法相媲美甚至超过的结果。
- 芯片晶圆地图缺陷模式的迭代集群采摘
通过特征提取、维度削减和聚类等步骤，本论文提出了一种针对半导体晶圆映射缺陷图案的无监督聚类方法，其中创新之处在于通过筛选轮廓分数选择性过滤聚类来改善聚类性能，尤其适用于困难的缺陷图案，并在实际工业数据集上对比了文献中的相关方法并展示了改进的 - 不断学习：带有增量视图的连续动作聚类
我们提出了一种新颖的连续动作聚类 (CAC) 方法，通过学习历史视图中的动作类别，利用新到来的视图对共识划分矩阵进行更新，优化类别存储库和共识划分矩阵，从而实现优秀的聚类性能和时间 / 空间效率。
- CVPRS^2MVTC：一种简单而高效的可扩展多视图张量聚类
提出了一种简单而高效的可扩展多视图张量聚类方法（S^2MVTC），专注于学习嵌入特征在视图内部和视图之间的相关性，利用嵌入特征的张量低频近似操作实现嵌入特征的平滑表示，采用共识约束确保视图间的语义一致性，实验证明该方法在聚类性能和 CPU - 多级交叉模态对齐图像聚类
我們提出了一種多層次跨模態對齊方法，通過在三個層次（即實例級別、原型級別和語義級別）建立一個更小但更好的語義空間，對跨模態預訓練模型中的對齊進行改進，以提高下游任務的性能。實驗結果清楚地表明了我們新方法的優越性。
- 增强的潜在多视角子空间聚类
提出了增强的潜在多视图子空间聚类方法 (ELMSC)，该方法通过构建增广数据矩阵来增强多视图数据的表示，以实现完全恢复潜在空间表示，并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明，我们的方法在真实数据集上具有比某些最新的多视图聚类方 - 一种新的带最近邻层次初始化的归一化切割求解器
我们提出了一种新颖的基于坐标下降法的 N-Cut 求解器，通过设计加速策略将时间复杂度从 O (n^3) 减少到 O (|E|)，并提出了一种高效的初始化方法，该求解器在多个基准数据集上取得了更大的 N-Cut 目标值和更好的聚类性能。
- 基于联合梯度和损失的聚类联邦学习设计
本研究提出了一种新颖的集群型联邦学习框架，使得具有非独立同分布数据的分布式边缘设备能够自主地以分布式方式形成若干个集群，并在每个集群内实现联邦学习训练。通过引入联邦学习和损失协同的分布式聚类方法，本研究克服了联邦学习中的两个挑战，并证明所提 - 大数据聚类的并行化策略：高效 Big-Means 算法全面教程
本研究侧重于对大规模数据集聚类中 Big-means 算法的优化进行研究，探索了四种不同的并行化策略。我们进行了大量实验，评估了每种方法的计算效率、可扩展性和聚类性能，揭示了它们的优势和局限性。本文还探讨了计算效率与聚类质量之间的权衡，考察 - 一个用于理解开放世界半监督学习的图论框架
这篇论文以图论为基础，提出了开放世界半监督学习的理论框架，并在此基础上设计了一种叫做 “光谱开放世界表示学习” 的算法，用于从已标记数据中推断出未知类别的未标记数据，并且能在已知和未知类别的聚类任务中提供可靠的理论保证。
- 异方差张量聚类
基于张量的聚类方法中存在一些挑战，为了克服这些挑战，我们提出了一种名为高阶异质聚类（HHC）的两阶段方法，通过创新的谱算法进行张量子空间估计，然后使用近似 k-means 算法获得聚类节点，模拟和实际数据实验证明我们的算法在各种情境下都优于 - 大规模数据的高效、有效的多视角子空间聚类
在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。
- 基于自适应共振理论的隐私保护连续联合聚类
在数据隐私保护日益重要的背景下，提出了一种隐私保护的连续联邦聚类算法，该算法在保持数据隐私的同时实现了较高的聚类性能和连续学习能力。
- arXiv4TGC：大规模时序图聚类数据集
本篇论文提出了一种解决大规模时间图聚类评估的挑战的方法 —— 构建一个包含多个学术数据集的 arXiv4TGC 数据集，并与先前的经典数据集和本论文提出的新数据集进行比较，以提高不同模型的聚类表现和适用于大规模时间图聚类的可行性。
- SNEkhorn: 对称熵相似性的降维
该研究报道了利用最优输运问题分析熵磁亲和矩阵（EA）并发现 EA 的自然对称化方法。新的亲和矩阵利用对称双重随机规范化实现更好的聚类表现。在此基础上，研究提出了一种新的降维算法 SNEkhorn，并在人工合成数据集和实际数据集上展示了其明显 - 学习结构感知的深度谱嵌入
本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。
- 自监督学习用于无线频谱活动聚类
本文提出了一种自我监督学习方法，使用真实的未标记数据探索频谱活动，使用此方法可以大幅减小特征向量的大小，并提高性能，同时提供了频谱数据的分类结果。
- ICCV基于图约束的人体运动分割数据表示学习
该研究提出了一种基于转移子空间学习的无监督模型，结合了轨迹数据的几何结构信息和较大的自由度，通过 ADMM 算法实现学习辅助数据表示、非负字典和编码矩阵的优化，实验结果表明该方法在人体运动分割方面的聚类性能显著优于当前最先进的半监督转移学习 - Multi-VAE: 学习多视角聚类的视角间分离与共通视觉表示
本研究提出了一种基于 VAE 的多视图聚类框架 (Multi-VAE)，通过学习解缠视觉表示来实现高效的多视图聚类。实验表明，Multi-VAE 在获得解缠和可解释的视觉表示的同时，与现有方法相比，获得了更好的聚类性能。
- CVPR邻域对比学习用于新类别发现
本研究提出了一种名为 NCL 的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未