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

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

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

本文提供了 Sparse Subspace Clustering (SSC) 在存在数据缺失时的理论保证，发现将零填充数据投影到点的观察模式上可以显著提高其性能，并从分析中得出结论，即尽管该投影会导致更多数据缺失，但这被所在子空间的相应投影子空间联合分析所抵消，这种现象的意义可能横跨整个自表达方法类。

Jan, 2018

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

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