本研究探讨了基于中心点的深度聚类算法的性能饱和现象，提出了一种新算法BRB，以避免过早确定初始聚类，从而显著提升聚类性能。

本文提出了一种基于自适应补丁退出（APE）的可伸缩方法，以提高深度学习模型的加速性能。通过训练回归器预测增量容量，并在低于阈值时退出特定层的补丁，从而优化网络训练。实验结果表明，该方法在不同主干和数据集上表现优越，有效避免了性能饱和问题。