本文提出了一种通用聚类框架，旨在解决聚类研究中的模糊性和连接性问题。所引入的GenClus方法是谱聚类的扩展，实验结果显示其在效率和性能上优于现有方法。

本文研究了多种谱聚类算法在高维数据和复杂网络中的应用，特别是LRR-PSD算法和超级叠加随机块模型，强调了其在处理噪声、异常值及社区检测中的鲁棒性和有效性。研究结果表明，这些算法在不同条件下均能实现良好的聚类效果。

本文探讨了将压缩传感和矩阵补全方法与健壮谱聚类结合，以解决多类聚类问题。研究提出了一种低复杂度的子空间聚类算法，适用于高维噪声数据，并分析了动态随机块模型下的谱聚类算法，提出了改进的稀疏性和平滑度关系描述，研究了高斯协方差估计及其在谱聚类中的应用。

本文提出了一种基于协方差矩阵的图形表示方法，定义了适用于社交网络分类的相似度测量，具有高计算效率，支持大规模应用。研究了随机块模型中的谱聚类，证明其在社区提取中的一致性和可靠性，并提出结合多层随机块模型和变分贝叶斯算法的新颖聚类分析方法，应用于全球食品贸易网络分析。

本文提出了一种自动编码器架构（WLSC），通过二分图的拉普拉斯二次形式实现谱聚类，生成多样的人工感受野，展示了对特定刺激类别的早期专门化。研究强调感受野和放电率的空间正则化在特征分离中的重要性，并探讨了深度学习中的预测编码网络及其在机器学习和神经科学中的应用。

该论文提出了一种基于扩散的谱聚类和降维算法的概率解释，利用规范化图拉普拉斯算子的特征向量。作者通过定义数据点之间的扩散距离，并证明了对应马尔科夫矩阵的前几个特征向量的低维表示在一定均方误差标准下是最佳的。作者将这些特征向量视为具有反射边界条件下潜在力学势中福克 - 普朗克算子的离散近似的本征函数。最后，作者对连续福克 - 普朗克算子的本征值和本征函数进行解析，为谱聚类和降维算法的成功提供了数学论证。

该论文提出了一种自动编码器架构（WLSC），通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类。研究发现，正则化可以解释为感受野对特定刺激类别的早期专门化。结果表明，在描述V1及其之后的特征分离时，对感受野和放电率进行空间正则化至关重要。

该论文提出了一种基于扩散的谱聚类和降维算法的概率解释，利用规范化图拉普拉斯算子的特征向量。作者将这些特征向量视为具有反射边界条件下潜在 $2U (x)$ 力学势中福克 - 普朗克算子的离散近似的本征函数。最后，应用已知结果，对连续福克 - 普朗克算子的本征值和本征函数进行解析，从而为基于前几个特征向量的谱聚类和降维算法的成功提供了数学论证。

该文介绍了一种新的无监督学习框架，能够从高维数据中进行学习。该模型在生物视觉数据、神经记录以及基因表达数据上得到了有效的评估，并且相比于其他无监督学习方法，能够更好地学习到有意义的表示。