深度稀疏子空间聚类
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
本文提出了一种新型深度子空间聚类模型，名为 Deep Closed-Form Subspace Clustering (DCFSC)，通过使用无参数的、基于浅层自编码器的非线性映射得出数据驱动的自表示层，相较于之前的方法具有更好的解决大规模数据集聚类的能力。
Aug, 2019
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
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
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
本文针对从一组仿射子空间中聚类数据的问题，开发了一种名为 Affine SSC (ASSC) 的 SSC 变体，并提出了仿射独立的新概念以捕捉一组仿射子空间的排列，该理论在合理条件下保证了 ASSC 产生子空间保持的亲和力，从而产生正确的聚类。
Aug, 2018
提出了一种新颖的深度结构和注意力感知子空间聚类方法（DSASC），同时考虑了数据内容和结构信息，通过使用视觉转换器提取特征，并将这些特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。大量实验结果表明，该方法明显优于现有方法。
Dec, 2023