我们提出了一种基于集合 K 子空间 (EKSS) 的几何方法，该算法通过证据积累聚类框架，形成一个共同关联矩阵，该矩阵的 (i，j) th 项是由多次运行具有随机初始化的 KSS 聚类算法将点 i 和 j 配对在一起的次数。我们表明，当一个算法形成的亲和力矩阵的具有和绝对内积的单调变换接近的条目时，该算法可以提供恢复保证。

Sep, 2017

该研究介绍了一种受稀疏子空间聚类算法启发的算法，并开发了一些新颖的理论，展示了其正确性。理论利用几何泛函分析的思想，表明算法可以在最小的方向和每个子空间的样本数量的要求下准确地恢复底层子空间，并通过合成和实际数据实验证明了算法的有效性。

Jan, 2013

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

研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

Apr, 2019

本文提出了一种利用深度神经网络中的子空间共同学习嵌入空间，以最小化重建误差来解决子空间聚类问题的方法，从而无需通过亲和矩阵来执行聚类，大大提高了聚类准确性并降低了内存占用。

Nov, 2018

本文针对亚空间聚类问题，研究了代数子空间聚类算法在仿射子空间聚类问题上的适用性，通过代数几何理论证明了同态技巧的正确性。

Sep, 2015

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

本文研究使用正交匹配追踪（OMP）算法的 EFS 解决子空间中稀疏算法问题与 NN 算法方法的差异问题。通过实证研究，证明在数据集的子空间抽样稀疏的情况下，与 NN 方法相比，稀疏恢复方法具有更显著的优势，且 OMP 可被用于在一些 NN 方法无法揭示子空间点的情况下可靠地恢复精确特征集。

Mar, 2013

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