本研究提出了一种正交因子基础的双聚类算法（BCBOF），旨在解决高维数据的稀疏性和局部结构问题。该算法利用模糊规则进行股票价格趋势预测，实验结果表明其交易策略能够提升投资者的回报。

本研究针对复杂异构数据集中的双聚类问题，提出了一种新颖的双聚类算法HBIC，能够同时对数值、二元和分类数据进行聚类。实验结果表明，HBIC相比现有算法能够更有效地发现高质量的双聚类，推动了对复杂数据结构的深入理解。

本研究提出了一种双聚类特征对比的联邦学习框架，旨在解决非独立同分布数据的问题。实验结果表明，该框架在异质性环境下性能显著提升，并探讨了分层聚类和动态序列训练等改进方法，以提高模型的准确性和收敛速度。

该文综述多项提升文本分类与领域适应性能的研究，包括：在预训练与微调间加入基于聚类的无监督中间任务；通过专门微调使较小模型具备上下文学习能力以用于机器翻译领域适应；提出基于DISTILBERT的多模态框架，适合极小数据集与移动端部署；采用双伪训练策略改进图像生成与分类；利用自训练与未标注对话数据降低标注成本；用预训练密集检索模型在少样本意图与情感分类中优于微调；提出IC-DST将对话状态跟踪转化为文本到SQL并检索示例；提出两阶段方法以“思考”与推理增强大模型上下文学习；提出DaFeC聚类框架提升少样本分类适应性；以及迭代改进伪标签质量的算法。