本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。

Nov, 2015

改进版本的稀疏多维核谱聚类算法中，通过改良的方法提高了计算效率，并在合成数据和图像分割等实际问题上进行了计算实验，取得了理论和实际改进的结果。

Oct, 2023

本研究提出了一种自适应调节罚项参数的方法，使得交替方向乘子法 (ADMM) 得以快速收敛，从而提高了其可靠性和自动化水平。结果表明，这种自适应 ADMM (AADMM) 算法可以相对缓解 ADMM 算法在惩罚因子调节方面存在的问题，并同时保持收敛速度较快。

May, 2016

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

本文针对图像科学中广泛使用的一类优化问题，基于 ADMM 算法，通过使用通用的双重步长方法、构建特殊的潜函数以及采用简单的初始化策略实现了非凸优化问题全局收敛和解决，并在实际应用中进行了比较实验，表明最优化效果良好。

Jun, 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

通过在线学习，将卷积稀疏编码（CSC）目标重新表述，并利用交替方向乘子方法（ADMM）求解其优化问题，显著提高了算法训练效率和图像重建性能，同时能够处理更大规模的图像数据集。

Jun, 2017

采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

Jul, 2016

通过使用 AGCSC 方法，我们采用了图卷积技术来同时开发特征提取方法和系数矩阵限制，并且我们的算法中的图卷积算子是迭代和自适应更新的，聚合特征表示适用于子空间聚类，并且系数矩阵能更准确地揭示原始数据集的子空间结构。

May, 2023

本论文使用交替方向乘子法（ADMM）来识别网络的稀疏结构，通过最小化一个目标函数，附带有促进稀疏的额外惩罚项，减少卷积神经网络（CNNs）的计算复杂度，生成具有更少计算和参数的模型同时保持或提高泛化能力。

Nov, 2016