核谱曲率聚类 (KSCC)
本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。
May, 2022
通过使用 Log-Euclidean 核，将 SPD 矩阵嵌入到重现核希尔伯特空间中，构建了在 SPD 流形上的核稀疏子空间聚类方法，即 KSSCR。通过利用数据内在的 Riemann 几何来发现潜在的子空间结构。实验证明，该方法比现有方法具有更好的聚类效果。
Jan, 2016
本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。
Nov, 2015
提出了一种新颖的核谱方法，用于在捕捉非线性结构、考虑噪音和高维度效应、适应信号和样本大小不平衡以及结果解释困难等方面，实现两个独立观测的高维噪音数据集的联合嵌入，从而获得低维嵌入，可用于聚类、数据可视化和降噪等下游任务。
May, 2024
该研究论文探讨了在重现核希尔伯特空间 (RKHS) 中应用的谱算法，特别关注输入特征空间的内在结构，将输入数据视为嵌入高维欧几里得空间的低维流形，使用积分算子技术导出了关于广义范数的紧密收敛上界，证明估计器在强意义下收敛于目标函数及其导数，进一步建立了渐近优化性的最小化下界，验证了谱算法在高维逼近问题中的实际重要性。
Mar, 2024
我们提出了一种新的鲁棒核稀疏子空间聚类（RKSSC）算法，可用于具有严重稀疏损坏的数据，该算法可以通过核技巧将非线性问题转化为映射后的高维特征空间中的线性问题，以实现对这种类型损坏的稳健性。
Jan, 2024