本研究提出了一种结合图和节点特征的多尺度图构建方法，解决了现有图聚类方法对信号变化考虑不足的问题。该方法通过提取聚类特征和计算相似度，有效进行层次聚类，并在多尺度图像和点云分割实验中验证了其有效性。

本文研究了聚类问题，提出了基于凸优化的聚类方法、k-median目标函数的解决方案以及层次聚类的优化。实验结果表明，这些方法在聚类效果和效率上具有优势，尤其是在处理复杂数据集时表现突出。

本文介绍了多种层次聚类算法的研究进展，特别是基于深度神经网络的聚类方法和新算法Grinch，强调了优化聚类质量和效率的重要性。这些方法在处理复杂数据时表现优异，并提供了新的聚类结构和准确性提升的案例。

研究提出了一种新的方法scTree，用于单细胞RNA测序数据的层次聚类。该方法通过基于VAE的纠正批次效应和学习树状数据表示，发现数据的潜在聚类和层次关系。实证研究表明，scTree在七个数据集上表现优于基准方法，并分析了学习得到的层次结构的生物相关性。