- 已知和新兴恶意软件家族的在线聚类
通过使用基于机器学习的在线聚类模型，该研究论文介绍了一种将恶意软件样本在线聚类为恶意软件家族的方法，提高了恶意软件检测和分类的效率。
- 消除任何人的落后：在线自我监督自我蒸馏用于顺序推荐
在线自监督自蒸馏的顺序推荐方法（S^4Rec）应用于现代推荐系统中，通过在线聚类和对抗学习策略来有效地处理数据稀疏性和用户行为数据有限性的挑战，并利用自监督学习和自蒸馏方法实现知识传递。
- 基于神经启发的分段回忆式高效地图构建
该论文提出了一种名为 FarMap 的映射策略，通过惊奇 - 基于聚类的空间切割来建立本地映射和大脑的记忆，从而有效地解决了在大型环境中的空间探索问题。
- DinoSR：基于自蒸馏和在线聚类的自监督语音表示学习
本研究介绍 DinoSR，一种使用自我蒸馏和在线聚类的自监督语音表示学习方法，其中结合了掩码语言建模，自我蒸馏和在线聚类，实验表明这些概念互补，并形成了语音强表示学习模型。
- CVPRProtoCon: 基于在线聚类和原型一致性的伪标签提炼，用于高效的半监督学习
ProtoCon 是一种半监督学习方法，通过在线聚类和使用原型损失函数诱导良好的聚类来提高虚标签的准确性，同时利用自监督辅助损失来解决训练信号的贫瘠问题，有效地缩短模型收敛时间，并在 CIFARs、ImageNet 和 DomainNet - CVPR3D 点云语义分割的新型类别发现
本文提出一种基于在线聚类和不确定性量化的新型类别发现方法，用于处理 3D 点云数据的语义分割，设计了新的评估协议以验证其性能优于传统方法。
- CVPR联合表示学习与在线聚类进行无监督动作分割
本文提出了一种新颖的无监督活动分割方法，该方法使用视频帧聚类作为预文本任务，并同时执行表示学习和在线聚类。通过使用时间最优传输来利用视频中的时间信息，同时，在计算伪标签聚类分配的标准最优传输模块中加入保留活动时间顺序的时间正则化项。与之前的 - 对比聚类
本文提出一种名为对比聚类 (Contrastive Clustering,CC) 的在线聚类方法，该方法实现了实例级和簇级对比学习，通过最大化正样本对的相似度和最小化负样本对的相似度，在特征空间中分别进行行级和列级的对比学习，同时优化实例级 - 统一聚类和非平稳赌博机
本文提出了一种基于同质性检验的非静态匪徒的变化检测和在线聚类的统一解决方案，对非静态匪徒和在线聚类的精确分析和实证评估显示出其灵活性和有价值性。
- IJCAI无监督渐进学习和 STAM 架构
本文提出了一种解决自主学习和非稳态无标签数据流问题的方法：使用一种自学习联想存储体结构和在线聚类，新颖性检测以及仅存储典型特征等方法，实现动态增长的特征数并解决异常点问题，同时该方案也在聚类和分类任务上进行了评估。
- 在线赌博游戏聚类算法的改进
本研究提出了一种在线聚类的赌博算法，通过允许用户频率的非统一分布，并使用简单的集合结构来表示聚类，提出了一种更有效的算法，并证明了该算法的遗憾界可以不考虑用户的最小频率。在合成和真实数据集的实验中，新算法相对于现有方法具有一定的优势。
- 上下文串联赌博机的在线聚类
本研究基于在线聚类算法探讨了上下文串联赌博机算法的新领域，针对用户间的聚类问题进行了广泛研究，并提出了一种新的算法 CLUB-cascade。实验显示，该算法可以有效地解决网络系统的信息推荐问题。
- 一个在线 K-Means 聚类算法
在线聚类算法实现了与 k 均值算法相同的聚类效果，其算法复杂度显著低于 k-means++。
- NIPS适应性低复杂度序列推理用于 Dirichlet 过程混合模型
提出一种适用于在线聚类和参数估计的低复杂度的序列推理过程，通过更新超参数并使用共轭先验假设，提出了易于计算的条件似然函数的闭形式参数化表达式和 Dirichlet 过程的自适应低复杂度设计。实验结果表明该方法优于其他在线最先进的方法。