本研究提出了利用标签信息生成聚类算法解释的新方法，采用析取形式和合取范式，通过整数线性规划和启发式方法实现，实验结果表明该方法可行且具良好可扩展性。

本研究提出了一种灵活的双变量贝塔混合模型（FBBMM），旨在克服传统聚类算法在非凸簇上的不足。FBBMM利用双变量贝塔分布的灵活性，有效处理复杂数据结构，研究结果表明其在合成和真实数据集上的表现优于其他方法，为大数据分析提供了稳健的解决方案。

本研究提出了一种新聚类算法URECA，旨在解决最小熵问题在适应性变化中的局限性。URECA通过有效利用解耦表示关系，提升了模型的适应性能，并在CoSQA场景中表现出色。

本文提出了一种基于大型语言模型的生成聚类方法，通过KL散度定义相似性，并提出新颖的聚类算法。研究表明，该方法在聚类性能和文档检索准确性上显著提升。

本文介绍了K-means聚类算法及其在数据分析中的应用，强调数据清洗和准备的重要性。通过箱型图识别异常值，利用肘部法则确定最佳质心数量，最终通过数据标准化将模型准确率提升至57%。

本文提出了一种加速球形K均值聚类算法，针对大规模高维稀疏文档数据集，显著减少相似性计算中的乘法次数，实验结果表明其速度优于现有技术。

提出了一种新聚类算法，基于依赖狄利克雷过程混合模型，适用于未知数量的进化聚类数据。该算法通过低方差渐近分析的Gibbs抽样实现，确保硬聚类的收敛性。实验结果表明，该算法在准确性和计算时间上优于现有方法。

本研究提出了一种基于低秩回归的监督评分计算方法，解决了传统聚类算法在近似最近邻搜索中的查询速度问题。实验结果表明，LoRANN在高维数据集上优于现有的GPU ANN方法。

本研究提出了一种解决不平衡点聚类问题的方法，通过使用加权点集合来近似拟合损失。实验结果表明该方法在不同类型的数据集上表现优越，并且通过结合聚类算法的选择聚类方法，获得更好的性能。

本研究提出了一种名为Sonic的数据中毒攻击方法，针对聚类算法。Sonic通过增量和可扩展的聚类算法，提高了对图形和基于密度的聚类方法的中毒攻击的效率和可转移性。实验证明了Sonic的效果和效率。

本文介绍了Simple Contrastive Graph Clustering (SCGC)算法，通过改进网络架构、数据增强和目标函数提高聚类算法性能。实验证明，该算法在七个基准数据集上比竞争对手快至少七倍，并取得显著性能优势。

该研究提出了一种将室内场景合成问题作为有序顺序学习问题的框架，通过使用聚类算法和广度优先遍历得到有意义的顺序，利用变换器自动生成逼真的三维场景。实验结果表明，该方法在合成逼真场景方面具有显著优势，得分有大幅度提升。额外实验和消融研究也证实了引入顺序作为先验信息的重要性。

本研究提出了一种名为S2DL的新的无监督高光谱图像聚类算法，通过融合空间信息解决高维、噪声、异常点和准确标签的问题。实验证明S2DL在多个高光谱图像上具有高效性。

该论文提出了一种无监督去偏差技术，利用聚类算法识别伪属性，并采用聚类加权重新调整方案学习去偏置表示。实验证明该方法在多个测试数据集上表现出色，甚至超过有监督对照组的竞争精度。

该研究使用大型语言模型（LLMs）的文本嵌入和聚类算法，评估了文本聚类方法对数据集的影响。结果显示，LLMs嵌入在捕捉结构化语言的细微差别方面表现出色，BERT在性能方面领先于其他轻量级选择。增加嵌入维度和使用摘要技术并不能统一提高聚类效率。该研究扩展了传统文本聚类框架，为改进方法学和文本分析开辟了新的研究方向。

本研究使用MIMIC-IV数据库研究了多变量时间序列生命体征数据，并比较了聚类算法。通过分析不同类别之间的临床死亡预后差异，发现不同亚组之间的ICU死亡和住院死亡的风险不同。研究结果为多变量时间序列聚类系统在ICU中的应用提供了有价值的见解。