本研究提出了一种新框架，旨在解决多机器人任务分配和碰撞避免问题。通过空间聚类方法，缩短任务分配时间，提高解决方案质量，降低碰撞风险，具有重要的实际应用价值。

本研究提出了一种基于图的楼层分离方法，利用Wi-Fi指纹轨迹解决复杂多层环境中的垂直定位问题。通过Node2Vec生成低维嵌入，并结合K-means聚类，准确率达到68.97%，优于传统算法，为室内定位研究奠定基础。

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。

本研究提出了一种新的动态对比技能学习框架（DCSL），旨在解决强化学习在复杂决策长时间任务中的挑战。DCSL通过引入基于状态转移的技能表示和动态技能长度调整，提高了任务完成度和效率。

本研究提出了一种可解释的风格Takagi-Sugeno-Kang模糊聚类算法（IS-TSK-FC），旨在提高聚类结果的可解释性。该算法通过模糊规则推理，使聚类过程透明，实验表明其在处理显性风格数据时表现优越。

本研究提出了一种新颖的多视角聚类框架，解决了现有方法忽视互补性的问题。通过解缠变分自编码器分离共享信息与私人信息，并利用双重一致约束提高表示质量。实验结果表明，该方法性能优于基线，具有广泛应用潜力。

本研究提出了一种名为FORCE的新框架，旨在解决深度学习模型中的潜在结构学习问题。通过引入聚类SHAP值和注意力机制，该框架显著提高了模型性能，特别是在心脏疾病预测中，F1得分从0.72提升至0.80。

本研究探讨了自编码器与深度聚类结合的框架，旨在无标签数据中有效学习低维非线性表示。研究结果表明，该方法显著提升了聚类任务的表示学习质量，为未来的深度学习与聚类研究奠定了基础。

本研究提出了一种一次性聚类联邦学习（OCFL）算法，旨在解决联邦学习中个性化模型交付的客户端聚类问题。该算法通过计算客户端梯度的余弦相似度，自动检测聚类时机，实验结果表明其在多个任务中表现优异，具有显著的实用价值。

本研究提出了一种名为RURANET++的无监督学习方法，用于糖尿病性黄斑水肿的自动诊断。该方法结合优化的U-Net架构和SCSE注意力机制，提升了病变特征提取效果，并通过多投影头聚类算法优化聚类多样性，展现出良好的临床应用潜力。

本研究提出了一种聚类-难度框架，通过对任务难度进行聚类，排除非紧急任务，从而提高大型语言模型的性能预测准确性，平均绝对偏差仅为1.36%。

本研究提出了一种新型矩阵因子分解方法，解决动态图聚类中的规模化和鲁棒性问题。通过时间分离和双聚类正则化，显著提高了算法的计算速度和抗噪声能力，实验结果表明其在多项基准测试中表现优异，具有实际应用潜力。

本研究提出COLDB和CONDB算法，克服传统多臂赌博机在用户反馈处理中的局限性，实现基于偏好反馈的协作决策，有效分组用户，证明其在推荐系统中的重要性。

本文提出了一种信息论特征来表征K-聚类的无歧义性，并设计了算法以显著提高重叠聚类的处理效果，优于常用算法。

本研究提出了一种基于K均值聚类和费舍尔向量聚合的全幻灯片图像分类方法，旨在解决传统机器学习在处理高分辨率图像时的计算挑战。该方法通过补丁特征提取和聚类，展示了在大规模全幻灯片图像分类中的优越准确性和可扩展性。

本研究提出了一种新的平衡多视角聚类方法（BMvC），通过视角特定的对比正则化（VCR）优化学习过程，从而提升聚类任务的信息学习效果。

本研究提出了一种新方法，利用大型语言模型（LLM）优化对话意图聚类，解决传统文本聚类与人类感知不匹配的问题。经过验证，精调的LLM在语义连贯性和聚类命名上表现优越，意图发现的应用效果显著，定量指标提高6.25%，应用层面性能提升12%。

本研究提出了一种聚类-归一化-激活（CNA）模块，有效解决了图神经网络的过平滑问题，显著提升了节点分类和属性预测的准确率，Cora和CiteSeer数据集上分别达到94.18%和95.75%。

本研究提出了一种新颖的图基聚类方法GraphCL，旨在解决半监督医学图像分割中未标记数据利用不足的问题。实验结果表明，GraphCL在标准测试中优于现有方法，展现出显著的应用潜力。

本研究提出了一种基于预训练Dino-ViT的无监督医学图像分割框架，有效解决了标签数据稀缺问题，显著提升了分割性能，超越了现有的半监督技术。