本研究提出了一种名为CCCVAE的变分自编码器框架，旨在改善单细胞RNA测序中细胞间通信建模的不足。通过结合配体-受体相互作用的信息，CCCVAE显著提升了聚类性能，强调了生物学先验在无监督单细胞分析中的重要性。

本文提出了一种新方法，通过第二轮自监督训练解决深度聚类中的特征随机性、漂移和扭曲问题，显著提升了六个数据集的聚类性能。

本研究提出了一种新颖的正反馈自监督学习方法——表征软分配（ReSA），旨在提升聚类性能。实验结果表明，ReSA预训练模型在自监督学习基准测试中表现优异，生成更具结构性和语义的表示。

该研究提出了一种自适应权重深度矩阵分解方法，解决了多视图聚类中的特征选择和超参数选择问题，提升了聚类结果的稳定性和适应性，并加快了收敛速度。实验结果表明，该方法在聚类性能上优于现有技术。

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。

本文介绍了多种创新的深度聚类方法，如RUC模型、RGC、ADCN、KIERA、DRC、R$^2$FGC、ArCL和DSASC。这些方法通过无监督学习、强化学习和自我监督机制，提升了聚类性能和鲁棒性，解决了过度自信和灾难性遗忘问题，并在多个数据集上表现优异。

本文探讨了新类别发现（NCD）在增量学习中的应用，提出了多种基于特征提取和知识蒸馏的方法，显著提升了新类别的识别和聚类性能。实验结果表明，这些方法在多个数据集上表现优越，有效解决了开放世界问题，实现了已知与未知类别的区分。

该研究探讨了非配对多视图聚类问题，提出了UPMGC-SM框架和MVMC算法，以解决数据未配对和缺失值问题。实验结果表明，这些方法在聚类效果上优于现有技术，显著提升了多视图数据的聚类性能。

本文探讨了新类别发现（NCD）的方法，提出了基于元学习和特征提取的多种算法，显著提升了聚类性能。研究涉及无标签数据集的类别发现，并提出了新的框架和评估协议，验证了在图像和点云数据上的有效性。

本文探讨了图形拓扑结构设计，以降低分散式优化算法的通信复杂度，提出扩展图作为优选方案，并介绍了构建不同节点数和度数的三种方法。研究表明，扩展图在分散式优化中的性能显著优于其他图形。此外，提出了高阶扩展图传播和基于坐标下降法的N-Cut求解器，显著提高了聚类性能和计算效率。

本文提出了一种高效的非线性建模方法，结合线性VAR过程与非线性映射，提升时间序列预测能力。同时介绍了无监督编码器和离散表征学习框架，优化高维时间序列数据的处理，展现了在可解释性和聚类性能上的优势。

本研究提出了名为NCL的新框架，用于聚类性能的新类别发现任务。该框架通过生成难以区分的样本，显著提高了聚类准确性，超过现有方法。

介绍了一个新的多视图子空间聚类的可扩展性框架，利用核特征映射来减少计算负担，同时保持良好的聚类性能。该算法适用于大规模数据集，并在几分钟内完成。通过实验评估了算法在多视图子空间聚类和属性网络多视图方法方面的性能。

本文研究了 Big-means 算法在大规模数据集聚类中的优化和四种并行化策略，通过实验评估了它们的计算效率、可扩展性和聚类性能，提供了最佳并行化策略的实用指导，并探讨了计算效率与聚类质量之间的权衡。

本研究提出了名为NCL的新框架，用于学习具有判别性的表示，并在聚类性能方面取得了显著提高。实验证明，该框架在CIFAR-100和ImageNet上的聚类准确性分别提高了13％和8％，超过了现有方法。

GEDI是一种结合了自监督学习和生成模型的贝叶斯框架，可以在不需要额外监督或预训练的情况下进行集成和联合训练。实验结果表明，GEDI在聚类性能方面优于其他自监督学习策略，并且可以利用逻辑约束形式的知识来改善小样本数据情况下的性能。