تهدف إعادة تحديد الهوية الشخصية إلى إنشاء التوافق الصحيح بين هويات الشخص المتنقل عبر تركيب كاميرات متعددة غير متقاطعة. تركز التقدمات الحديثة في هذا المجال، التي تعتمد على نماذج التعلم العميق، بشكل أساسي على سيناريوهات التعلم الإشرافي حيث يُفترض توفر شروح دقيقة لكل تكوين. يعتبر وضع الشروح لقواعد بيانات كبيرة الحجم لإعادة تحديد الهوية الشخصية صعبًا ومرهقًا، مما يجعل تنفيذ مثل هذه النماذج الإشرافية في التطبيقات العملية غير قابل للتطبيق. لذلك، من الضروري تدريب النماذج دون إشراف صريح بطريقة ذاتية. في هذا البحث، نقترح نهج تجميع أنيق وعملي لإعادة تحديد الهوية الشخصية دون إشراف يستند إلى اعتبارات صلاحية التجمع. بحثًا عن مفهوم أساسي في الإحصاء، وهو \emph{التباين} (dispersion)، لتحقيق معيار تجميع قوي. يعكس التباين الكثافة داخل التجمع عند استخدامه على المستوى الداخلي للتجمع ويكشف الانفصال عند قياسه على المستوى الخارجي للتجمعات. استنادًا إلى هذا الفهم، صممنا نهج تجميع جديد مستند إلى التباين (DBC) يمكنه اكتشاف الأنماط الكامنة في البيانات. يأخذ هذا النهج في الاعتبار سياقًا أوسع للعلاقات الثنائية على مستوى العينة لتحقيق تقدير قوي للاستعداد للتجميع يمكنه التعامل مع التعقيدات التي قد تنشأ بسبب عدم توازن توزيع البيانات السائد. بالإضافة إلى ذلك، يمكن لحلنا الأولوية الذكية للنقاط البيانات المنفصلة ومنع التجميع الرديء. أظهرت تحليلاتنا التجريبية الواسعة على مقاييس إعادة تحديد الهوية الشخصية للصور والفيديوهات أن طريقتنا تتخطى الأساليب الغير إشرافية الأكثر حداثة بمقدار كبير. يمكن الحصول على الكود من https://github.com/gddingcs/Dispersion-based-Clustering.git.