研究鲁棒子空间聚类问题，提出使用基于 correntropy 的度量方法解决非高斯和冲击噪声问题，进一步扩展方法处理异常值数据，实验证明该方法更加鲁棒。

Jan, 2015

本文探讨了稀疏子空间聚类的图连通性问题，并展示了一种简单的后处理方法，可以在某些 “一般位置” 或 “受限特征值” 假设下提供一致的聚类，同时提供了基于维度大于 3 的子空间的噪声 SSC 的第一个准确的聚类保证。

Apr, 2015

提出了一种更有区分性的图学习方法，该方法具有自适应性，可以保留样本之间的成对相似度，并且有效地统一了聚类和图学习，可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。

May, 2019

本研究提出了一种基于低秩变换学习的健壮子空间聚类和分类框架，其中学习的线性转换通过其凸替代核范数作为优化标准来恢复来自相同子空间的数据的低秩结构，并同时在来自不同子空间的数据之间强制产生最大分离结构，以实现更稳健的子空间聚类。所提出的框架通过大量实验表明，能够显着提高现有子空间聚类和分类方法的性能。

Sep, 2013

本文提出了新的便捷高效的算法来解决低维线性子空间聚类问题，并通过统计分析证明算法在某些条件下保证精确的聚类性能，并在模拟数据和真实数据上进行了实验验证。

Oct, 2014

本文介绍了一种基于正交匹配追踪（Orthogonal Matching Pursuit, OMP）的子空间聚类方法，证明了其具有计算效率高和广泛应用性的子空间保持相似度保障，使用合成数据验证了理论分析，并在手写数字和人脸聚类方面表现出了最佳的精度和效率之间的平衡。

Jul, 2015

研究多个线性子空间的数据分割问题。最新的方法使用稀疏表示、低秩表示及其扩展引起了广泛关注。该论文介绍了基于数据相关性提出的最小二乘回归 (Least Squares Regression, LSR) 方法，对实验数据进行处理，获得了比目前最先进的方法更高的分割准确性与更高的效率。

Apr, 2014

提出一种基于 Grassmannian 的内置共轭梯度方法，可以从不完整和受损观测中重构和跟踪上限维度的子空间，用于处理数据分析中的低秩矩阵和稀疏组件，采用非凸稀疏度量进行异常点检测，性能优于其他最先进的方法。

Oct, 2012

本文提出了一种分析多层图并通过在 Grassmann 流形上使用子空间分析工具来结合个体图层特征的方法。 这种方法可以视为原始数据的低维表示，其中保留了实体之间不同关系的最重要信息，并可用于聚类。 在多个数据集上的实验结果表明，该算法具有优异的性能和竞争力。

Mar, 2013

本文探讨了机器学习领域中很多算法都需要从样本中估计一个线性子空间的问题，并针对不同的度量标准推导了新的学习误差估计方法，该方法还可以用于 PCA 和光谱支持估计的尖锐误差估计，是一种具有广泛适用性的光谱学习方法的算子理论方法的重要研究成果。

Aug, 2014