本研究考虑了一个不带标签数据集的聚类问题，它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法，名为稀疏子空间聚类（SSC），可以广泛应用于无监督学习和计算机视觉等领域，论文展示了它在多个方面的有效性，并开创了有关稀疏恢复问题的新思路，数值研究强调了方法的实用性。

Dec, 2011

本文介绍了一种名为 “稀疏子空间聚类”（Sparse Subspace Clustering，SSC）的算法，该算法通过在低维结构中聚类高维数据点来实现，采用了稀疏优化的思想并融合了数据模型以处理数据噪音、稀疏的非典型数据，经过实验验证，表明该算法具有高效性和较好的效果。

Mar, 2012

本文研究稀疏子空间聚类 (SSC) 算法在降维数据上的理论性质，包括确定性模型和多种降维技术，并将该分析应用于隐私保护算法中，同时确保方法的隐私性和效用性。

Oct, 2016

本文研究噪声下的子空间聚类问题，证明了一种改进的 Sparse Subspace Clustering 算法在数据受到干扰时依然能够正确识别基础子空间，从而将其理论拓展到更实际的设置和一类实际应用中。

Sep, 2013

本文研究了基于随机投影降维对稀疏子空间聚类和基于阈值的子空间聚类算法的性能影响，并发现即使将数据维度降到子空间维度的数量级，也不会受到显著的性能损失

Apr, 2014

本文探讨了三种基于稀疏信号恢复原理的子空间聚类算法在随机投影降维后的表现，发现在数据降维后仍能达到较好的聚类效果，进一步降维则会导致聚类问题无解。

Jul, 2015

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

通过随机层次聚类方法选择少量的锚点，并仅为每个数据点允许锚点具有非零权重，从而解决了大规模数据集中实际的解决 LASSO 问题的难题，并且利用正交矩阵的 Grassmann 流形将图层之间的共享连接总结在一个子空间内，通过 k-means 聚类在这个子空间内对数据点进行聚类，提高了 SSC 算法的可扩展性和鲁棒性。

Feb, 2018

本文介绍了一种随机化方案，名为 Sketch-SC，它是一种针对高维大容量数据的 SC 的加速计算方法，通过使用随机投影来压缩数据矩阵以实现快速而准确的大规模 SC。在实际数据上的性能分析及广泛的数值测试证实了 Sketch-SC 的潜力和与最先进的可扩展的 SC 方法相比的竞争性能。

Jul, 2017

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