本研究提出了一种基于距离的集成聚类方法，有效解决了聚类模型性能评估中的挑战，能够处理多样的聚类定义，优于其他评分方法。

该研究提出了一种无监督的城市土地利用制图方法，通过对比聚类模型和地理先验提升街景图片的聚类效果，能够有效生成高精度的城市土地利用地图，为城市规划提供灵活解决方案。

本文介绍了多种新型聚类模型及其在单细胞RNA测序数据分析中的应用，包括Tree Variational Autoencoder (TreeVAE)、scHyena、scCDCG和Cluster-aware Iterative Contrastive Learning (CICL)。这些模型通过利用层次结构和高阶信息，显著提高了聚类准确性和生成性能。

本文提出了一种基于三维和二维混合卷积神经网络的超像素图对比聚类模型，旨在优化类内相似性和类间差异性。通过在多个高光谱图像数据集上的验证，该方法在聚类准确率上显著提升，尤其在 India Pines 数据集上从 58.79% 提高到 67.59%。此外，研究探讨了谱聚类和降维算法的数学基础，并提出了改进的图信号处理方法在语音增强中的应用。

本文介绍了一种使用弱监督判别式聚类模型从仅具有图像级标签的数据中学习关系的新建模视觉关系方法，并在新引入的 UnRel 数据集上验证了该方法的有效性。实验结果表明，该模型在视觉关系数据集上取得了显著的提高。