聚类是一种无监督学习方法，旨在将相似特征的数据点分组为“簇”。其效果依赖于数据点之间的距离度量，广泛应用于用户偏好分析和市场趋势识别。常见的聚类算法包括层次聚类和K-Means等，每种方法都有其独特的优势和适用场景。理解聚类有助于提升数据分析能力。

本研究解决了时间序列聚类领域中因k-means配置差异造成的比较困难问题。我们提出了一种标准的Lloyd模型，采用端到端方法全面整合了专用距离函数，以此建立统一框架对七种流行的Lloyd-based TSCL算法进行比较。该研究的最大发现是，通过此框架，聚类性能的差异可以更清晰地归因于距离函数本身，而不是k-means配置的变化。

本研究针对k-means++算法的性能瓶颈，提出了一种利用几何信息的加速方法，实现了更高效的聚类分析。采用三角不等式和额外的范数过滤器，结合两步采样程序，使得在聚类数量增加时，算法的速度显著提高，特别适用于低维数据和高维数据的不同场景。本研究的结果有助于提升聚类算法在大规模数据集中的应用效率。

FT K-Means 是一种高性能的 GPU 加速 K-Means 算法实现，具备在线容错能力，并且在计算代价方面有效解决了距离计算的低效问题。

本研究利用各种机器学习技术（包括非负矩阵分解、截断奇异值分解和 K-Means 聚类）开发了一个鲁棒的电影推荐系统，旨在提供个性化的电影推荐，研究包括数据预处理、模型训练和评估，结果表明该系统在推荐准确性和相关性上取得了很高的成果，对推荐系统领域做出了重要贡献。

本论文介绍了一种名为倾斜 k-means（TKM）的新算法，以实现聚类的个体公平性。TKM 通过协作下降和一阶梯度法进行优化，并证明了其收敛性。实验证明 TKM 在效果、公平性和效率方面优于现有的方法。

本文比较分析了大数据背景下 K-means 算法的不同优化技术，包括并行化、逼近和采样方法等。通过评估不同技术的性能，提供了关于 K-means 大数据聚类中速度和准确性之间权衡的见解。为从业者和研究人员提供了优化大数据应用中的 K-means 的指南。

本文介绍了Cohort analysis、RFM用户分层模型和Kmeans用户聚类模型的实施过程，包括数据处理和分析，得到了群组分析矩阵、留存率矩阵、金额群组分析矩阵和RFM模型的结果。同时，还介绍了计算用户回访速度的方法和K-means聚类模型的分群和可视化展示。

本文研究了k-means聚类问题，将其表示为结构化的凸分配问题，利用低维结构解决大数据集的问题。该方法结合了全局优化理论的方法来加速处理程序，并提供了性能的数值结果。

本文研究了CART方法构建的回归树的统计特性，发现训练误差由每个节点中的最优决策树与响应数据的Pearson相关性控制，并通过构建先验分布和解决非线性优化问题来限制其范围。使用cost-complexity pruning的CART方法可以实现最佳复杂度/拟合度权衡，同时，数据相关量可以适回归模型的维度和潜在结构，控制预测误差的收敛速度。

本研究探讨了增强 $k$-means 聚类算法对抗性操纵的挑战和策略，评估了聚类算法对抗性攻击的易受攻击性，强调了相关的安全风险，并研究了攻击强度对训练的影响，引入了有监督和无监督模型之间的可传递性概念，并突出了无监督模型对样本分布的敏感性。此外，我们还引入和评估了一种对抗性训练方法，该方法提高了在对抗情景下的测试性能，并强调了所提出训练方法中的各种参数的重要性，如连续学习、质心初始化和对抗步数。

利用POI数据，采用增强的P-KMENAS和P-LDA算法，提取公交出行的特征，包括年龄、职业、性别、运动、费用、安全和个性特征等，优化公交出行效果。

本研究提出了一种联邦 K-means 聚类算法，可保护数据隐私和所有权，解决聚类数量变化和收敛问题。

本文提出了一种基于模型的时间序列聚类方法，通过拟合全局预测模型并以预测准确性为主要元素构建聚类分区。该方法可用于选择聚类数量，并可与任何类回归模型结合使用。模拟研究表明，该方法优于其他替代技术，应用于标准基准数据集的聚类中也产生了良好的结果。