本文介绍了SkeVa family，一种用于大数据分析的高效聚类框架，包括k均值聚类和核函数聚类算法。该框架使用RANSAC思想进行降维和集合简化，并引入了一种基于离散度准则的算法。实验证明，这些算法在大规模数据集上具有非常良好的竞争性能。

本文介绍了一种基于弱监督学习的聚类框架，使用唯一类计数（$ ucc $）技术。通过构建基于神经网络的 $ ucc $ 分类器，实验证明弱监督的 $ ucc $ 分类器的聚类性能与完全监督学习模型相当。此外，该框架在乳腺癌转移的语义分割任务中也表现出与完全监督的 Unet 模型相当的性能。

本文提出了一种基于监督表示学习的聚类框架，采用了新颖CORE项的神经网络架构作为模型，解决事件指代消解问题。在ECB+语料库上测试，该模型在文内和跨文档指代消解问题上表现更好，提出了一种利用表示学习解决指代消解和聚类问题的新框架。