摘要
阿米尔·本·多尔（Amir Ben-Dor）、罗恩·沙米尔（Ron Shamir）和佐哈尔·亚基尼（Zohar Yakhini）。 聚类基因表达模式。 计算生物学杂志 , 6(3--4):281--297, 1999. 谷歌学者 
Michael A Bender、Jonathan Berry、Simon D Hammond、Branden Moore、Benjamin Moseley和Cynthia A Phillips。 两级存储系统上的k-means聚类。 在 2015年记忆系统国际研讨会论文集 ，第197-205页。 ACM，2015年。 谷歌学者 数字图书馆 
Janki Bhimani、Miriam Leeser和Ningfang Mi。通过并行实现和gpu计算加速k-means集群。 在 2015年IEEE高性能极限计算会议（HPEC） ，第1-6页。 IEEE，2015年。 谷歌学者 交叉引用 
Christian Böhm、Martin Perdacher和Claudia Plant。 多核k-means。 在 2017年SIAM国际数据挖掘会议记录 ，第273-281页。 SIAM，2017年。 谷歌学者 交叉引用 Thomas Bottesch、Thomas Bühler和Markus Kachele。 通过块向量近似欧氏距离，加快k均值。 在 机器学习国际会议 ，第2578-2586页，2016年。 谷歌学者 数字图书馆 Y Dora Cai、Rabindra Robby Ratan、Cuihua Shen和Jay Alameda。 在超级计算机上使用并行k-means对游戏玩家进行分组。 在 2015年XSEDE会议记录：增强的网络基础设施推动的科学进步 ，第10页。 ACM，2015年。 谷歌学者 数字图书馆 盖·巴雷特·科尔曼和哈里·安德鲁斯。 通过聚类进行图像分割。 IEEE会议记录 , 67(5):773--785, 1979. 谷歌学者 交叉引用 崔晓丽、朱平飞、杨欣、李克秋和季长庆。 优化的大数据k意味着使用mapreduce进行聚类。 超级计算杂志 , 70(3):1249--1259, 2014. 谷歌学者 数字图书馆 瑞安·R·科廷。 具有大k输入的快速k均值聚类的双树算法 2017年SIAM国际数据挖掘会议记录 ，第300-308页。 SIAM，2017年。 谷歌学者 交叉引用 桑乔伊·达斯古普塔。 k-means聚类的硬度。 加州大学圣地亚哥分校计算机科学与工程系，2008年。 谷歌学者 Ilke Demir、Krzysztof Koperski、David Lindenbaum、Guan Pang、Jing Huang、Saikat Basu、Forest Hughes、Devis Tuia和Ramesh Raskar。 Deepglobe 2018：通过卫星图像解析地球的挑战。 ArXiv电子打印 , 2018. 谷歌学者 Inderjit S Dhillon和Dharmendra S Modha。 分布式内存多处理机上的数据聚类算法。 在 大规模并行数据挖掘 ，第245--260页。 斯普林格，2002年。 谷歌学者 数字图书馆 丁宇飞、赵岳、沈喜鹏、穆苏瓦蒂夫人和托德·米特科维奇。 阴阳k-means：以一致的加速比替代经典k-means。 在 机器学习国际会议 ，第579-587页，2015年。 谷歌学者 数字图书馆 方家瑞、傅浩欢、赵文来、陈炳伟、郑伟杰、杨光文。 swdnn：用于加速sunway taihulight上的深度学习应用程序的库。 在 并行和分布式处理研讨会（IPDPS），2017 IEEE国际 ，第615-624页。 IEEE，2017年。 谷歌学者 交叉引用 傅浩环、廖俊峰、杨金哲、王兰宁、宋振亚、黄晓萌、杨超、薛伟、刘芳芳、乔芳丽等。太阳之光超级计算机：系统与应用。 科学中国信息科学 , 59(7):072001, 2016. 谷歌学者 交叉引用 Sudipto Guha、Adam Meyerson、Nina Mishra、Rajeev Motwani和Liadan O'Callaghan。 聚类数据流：理论与实践。 IEEE知识和数据工程事务 ，15（3）:515-5282003年。 谷歌学者 数字图书馆 Ali Hadian和Saeed Shahrivari。多核cpu上磁盘驻留数据集的高性能并行k均值聚类。 超级计算杂志 , 69(2):845--863, 2014. 谷歌学者 数字图书馆 格雷格·汉默利。 制作k意味着更快。 在 2010年SIAM数据挖掘国际会议记录 ，第130-140页。 SIAM，2010年。 谷歌学者 交叉引用 胡安·马里奥·豪特、梅赛德斯·保莱蒂、哈维尔广场和安东尼奥广场。 用于高光谱图像分析的k-means算法的云实现。 超级计算杂志 , 73(1):514--529, 2017. 谷歌学者 数字图书馆 ImgNet ILSVRC2012。 http://www.image-net.org/challenges/lsvrc/2012/。 谷歌学者 Anil K Jain和Richard C Dubes。 聚类数据的算法。 Prentice-Hall公司，1988年。 谷歌学者 数字图书馆 姜大新、唐淳和张爱东。 基因表达数据的聚类分析：一项调查。 IEEE知识与数据工程汇刊 , 16(11):1370--1386, 2004. 谷歌学者 数字图书馆 Yu Jin和Joseph F Jaja。 在cpu-gpu平台上实现频谱聚类的高性能。 arXiv预打印arXiv:1802.04450 , 2018. 谷歌学者 Jitendra Kumar、Richard T Mills、Forrest M Hoffman和William W Hargrove。 使用大数据集进行生态区定量划分的并行k均值聚类。 Procedia计算机科学 , 4:1602--1611, 2011. 谷歌学者 交叉引用 李伟佳、傅浩欢、乐宇、彭功、多乐峰、李从聪和尼古拉斯·克林顿。 基于堆叠自动编码器的远程图像分类深度学习：非洲陆地覆盖测绘案例研究。 国际遥感杂志 , 37(23):5632--5646, 2016. 谷歌学者 数字图书馆 尤莉、赵开勇、朱晓文和刘继明。 通过gpu加速k-means算法。 在 计算机与信息技术（CAT），2010年IEEE第十届国际会议 ，第115-122页。 IEEE，2010年。 谷歌学者 数字图书馆 李哲豪、金吉芳和王凌丽。 高性能k表示基于简化的地图还原体系结构的实现。 arXiv预打印arXiv.1610.05601 ，2016年。 谷歌学者 500强名单。 https://www.top500.org/lists/2018/06/。 谷歌学者 斯图尔特·劳埃德。 pcm中的最小二乘量化。 IEEE信息论事务 , 28(2):129--137, 1982. 谷歌学者 数字图书馆 詹姆斯·纽林和弗朗索瓦·弗莱特。 具有准确边界的快速k均值。 在 机器学习国际会议 ，第936-944页，2016年。 谷歌学者 数字图书馆 詹姆斯·纽林和弗朗索瓦·弗莱特。 嵌套迷你背带k-means。 在 神经信息处理系统研究进展 ，第1352--1360页，2016年。 谷歌学者 数字图书馆 UCI机器学习库。 http://archive.ics.uci.edu/ml/datasets.html。 谷歌学者 Christopher J Rossbach、Yuan Yu、Jon Currey、Jean-Philippe Martin和Dennis Fetterly。 Dandelion：异构系统的编译器和运行时。 在 第二十四届ACM操作系统原理研讨会论文集 ，第49-68页。 ACM，2013年。 谷歌学者 数字图书馆 沈晓波、刘伟伟、Ivor W Tsang、沈福民和孙全森。 大规模聚类的压缩k-means AAAI公司 ，第2527-2533页，2017年。 谷歌学者 Michael Steinbach、George Karypis、Vipin Kumar等。文档聚类技术的比较。 在 文本挖掘KDD研讨会 ，第400卷，第525--526页。 波士顿，2000年。 谷歌学者 莱昂纳多·托洛克（Leonardo Torok）、帕诺斯·利亚特斯（Panos Liatsis）、乔斯·维特博（Jos Viterbo）、奥拉·康奇（Aura Conci）等。 模式识别 ，66（C）：392--4032017年。 谷歌学者 数字图书馆 马里奥·泽切纳和迈克尔·格拉尼策。 通过cuda加速图形处理器上的k-means。 在 密集型应用程序和服务，2009年。 密集型'09。 第一届国际会议 ，第7-15页。 IEEE，2009年。 谷歌学者 数字图书馆
大规模分层 k平均值 用于异构多核超级计算机
建议
大规模分层 k均值 用于异构多核超级计算机 SC’18：高性能计算、网络、存储和分析国际会议记录 本文提出了一种新的设计和实现 k平均值 针对Sunway TaihuLight超级计算机的聚类算法。 我们介绍了一种多级并行划分方法，它不仅按数据流和质心进行划分，而且还按。。。 基于CPU/GPU的异构超级计算机在贝叶斯系统发育推断中的资源高效利用 贝叶斯推理是生物信息学中估计系统发育树的重要方法之一。 由于潜在的巨大计算需求，已经实现了几种贝叶斯推理的并行算法，以在CPU上运行。。。
