可解释聚类与可区分性标准

CDS聚类方法使用学习出的判别式相似度进行无监督聚类，并通过Rademacher复杂度进行一般化分析。

半监督聚类算法将聚类定义为根据聚类原则和度量方法获得数据分组，确保每个组不包含异常值。

基于BIC准则的高斯聚类算法自动检测最佳数量和形状的超聚类，具有较好的结果和预测新数据的能力，但速度较慢。

新的深度学习框架在实例和聚类级别预测可解释的聚类分配，验证了在基因组序列、医疗记录或图像数据上的可靠性。

探讨了聚类的困难性和合法性，评估了聚类簇合法性的基本要求及现有结果，提出了研究挑战和开放问题。

隐私保护聚类算法结合了不带保护性质的聚类算法和隐私保护结果，实证评估了在高斯混合数据和k-means算法中的效果。

研究了k-means算法在恢复互相分离的簇群方面的能力，提出了一种改进的算法，通过重复子抽样选择种子，超越了其他k-means变体。

采用信息理论视角重新构造聚类问题，捕捉非线性关系，基于集体相似度提高聚类一致性。

提出基于决策树分类器的迭代方法提取高密度、可解释的同一类别数据集群，讨论节点选择方法以最大化群组质量。

新深度聚类网络利用信息理论差异度量的鉴别能力，提出新颖损失函数，避免聚类分区的退化结构。