- 高维空间哈密顿圈聚类
本文提出了一种新的聚类框架，结合全局结构和局部结构解决聚类算法中伪标签生成和异常点检测问题，扩展了传统聚类方法的应用领域。实验证明，该方法表现优异。
- 一种文本聚类的通用分类增强迭代学习框架：CEIL
提出了一种基于分类增强迭代学习架构的短文本聚类方法 CEIL，该方法使用语言模型和提出的 Category Disentangled Contrastive Clustering （CDCC）算法来迭代地改进特征表示。实验证明，CEIL 框 - 对比层次聚类
本文介绍了一种基于深度神经网络的对比层次聚类模型 CoHiClust，采用自监督学习方法来将基础网络分解为二叉树结构，生成一种合理的聚类结构，并且在大多数图像数据集上与现有的平面聚类模型相比取得了更好的聚类精度。
- 具有可解释专家分布的深度聚类生存机器
提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。
- 共识表示的深度聚类
本研究提出了一种深度整合学习框架 DECCS，该框架能够有效地学习多种异质聚类算法的共识表征，并能够显著提高聚类结果的准确性和鲁棒性。
- 判别聚类的广义互信息
本文提出了一种新的无监督神经网络训练度量标准 —— 广义互信息 (GEMINI)，相比于互信息，它不需要正则化且可自动选择群聚数目，并且是数据空间的几何感知度量，从而提供更好的聚类效果。
- 极端标签稀缺情况下的自主跨领域适应
LEOPARD 是一种基于深度聚类网络的跨域多流分类解决方案，通过深度聚类策略和对抗域适应策略，可以处理极端标签短缺的情况下，只使用非常少的源流标记样本。
- Deep Neural Networks 中多层集合增强的图像聚类 DeepCluE
本文提出了一种名为 DeepCluE 的方法，它通过利用深度神经网络中的多层特征表示来增强深度聚类性能。该方法利用了无监督学习的实例级对比学习和聚类级对比学习，生成多组基本聚类，通过基于熵准则的可靠性估计，将这些聚类形成加权聚簇的双分图，利 - CGC：用于社群检测和跟踪的对比图聚类
本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。
- 基于中心导向无边际三元损失的深度聚类在高度不平衡数据集中用于皮肤病变检测
介绍了一种基于深度聚类的皮肤病变图片分类方法，引入了一种新的基于中心的聚类损失函数，可以实现在对少量恶性病灶数据训练的情况下有效地检测恶性黑色素瘤的皮损。
- 自我进化聚类
提出 Self-Evolutionary Clustering (Self-EvoC) 框架，采用模糊理论识别异常数据点并采用自我监督分类器生成目标分布以实现分类。实验证明，该方法优于现有 deep clustering 方法。
- AAAI多生成器 GAN 的自上而下深度聚类
本文提出了一种基于 GAN 的多生成器聚类方法 HC-MGAN，将其设计为自顶向下的分层聚类树，并在多个数据集上进行实验验证，发现该方法能够实现语义上有意义的聚类。
- 通过原型散射和正样本采样学习聚类表示
本文提出了一种新的、端到端的深度聚类方法 ——ProPos，它结合了原型散射和正样本采样对聚类性能进行了提升，并通过在大规模数据集上的实验证明了其具有领先的性能。
- 基于注意力机制的图聚类网络
提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效 - 深度公平判别聚类
本研究基于深度聚类方法，提出了一种结合公平性目标的自适应学习算法，以解决群体层面的公平性问题，其实现步骤包括将整数线性规划嵌入到判别式深度聚类主干中，多状态受保护状态变量（PSVs）的分类等。实验数据表明，本算法优于现有公平聚类算法，并且适 - 学习三维物体的细粒度分割，无需部件标签
本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。
- 语义对比学习的深度聚类
本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准 - 深度融合聚类网络
本文提出了一种深度融合聚类网络（DFCN），采用自编码器和图自编码器进行结构信息的处理并采用可靠的目标分布生成度量和三元自监控策略，以实现交叉模态信息利用，对六个基准数据集的广泛实验表明，DFCN 一致优于现有技术。
- 用于无监督探测句法的文本表达深度聚类
本文研究使用深度聚类的方法对文本表示进行无监督学习，旨在识别语法信息并实现句法归纳。通过将这些表示联合转换为较低维度的簇友好空间并对其进行聚类，我们验证了该方法的有效性。研究发现，多语言 BERT（mBERT）包含了与英语 BERT（EBE - 无监督表示学习的一致性聚类
本研究探讨并观察到使用 BYOL 学习得到的特征对于聚类可能不是最佳的，提出了一种新颖的基于一致性聚类的损失函数，通过提出的方法进行训练可以提高聚类能力，并在一些流行的计算机视觉数据集上优于相似的聚类方法。