基于可验证自表示的子空间并集异常检测
本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。
Jun, 2023
提出了一种基于低秩表示 (LRR) 的方法，能高效地、准确地检测异常值和将样本分割到它们所属的正确子空间中；利用 LRR 可恢复样本的行空间来确定子空间成员资格。
Sep, 2011
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
本文提出了基于 dropout 和正则化的随机稀疏子空间聚类方法，旨在解决现有方法在同一子空间内数据点之间连接不紧密的问题，并经过大量实验验证了该方法的有效性和可扩展性。
May, 2020
该论文提出了一种新的代表选择模型，它旨在寻找最能够重构所有数据点的子集，并介绍了一种较高效的算法 ——farthest first search，以从一个独立子空间的并集中选择足够多的代表，并进一步开发了一种以代表为基础的子空间聚类方法。
Jun, 2020
该研究提出了一种名为低秩表示（LRR）的新方法，它可以在给定字典中，寻求能够线性组合数据样本的最低秩表示，从而准确地解决亚空间恢复问题，包括亚空间分割和错误修正，并且具有较高的容错性和效率。
Oct, 2010
本研究提出了一种多视角子空间聚类算法，该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示，采用了重要的低秩和稀疏性约束，通过交替方向乘子法求解相关的优化问题，进一步扩展到非线性子空间，并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。
Aug, 2017
我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。
Sep, 2023
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