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
本文提出了新的便捷高效的算法来解决低维线性子空间聚类问题，并通过统计分析证明算法在某些条件下保证精确的聚类性能，并在模拟数据和真实数据上进行了实验验证。
Oct, 2014
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
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
本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。
本文介绍了一种名为 k-Factorization Subspace Clustering (k-FSC) 的方法，用于大规模子空间聚类。该方法通过追求矩阵分解模型中的结构稀疏性，直接将数据因式分解成 k 组，从而避免了学习亲和矩阵和进行特征值分解，能够在大数据集上实现低时间和空间复杂度，并能够处理噪声、离群值和缺失数据。实验证明，k-FSC 和其扩展版本优于现有的子空间聚类方法。
Dec, 2020
本文介绍了一种随机化方案，名为 Sketch-SC，它是一种针对高维大容量数据的 SC 的加速计算方法，通过使用随机投影来压缩数据矩阵以实现快速而准确的大规模 SC。在实际数据上的性能分析及广泛的数值测试证实了 Sketch-SC 的潜力和与最先进的可扩展的 SC 方法相比的竞争性能。
Jul, 2017
本文研究了利用神经网络学习的嵌入空间进行子空间聚类的问题，提出了现有方法存在的一些潜在问题，并通过实验验证了以前的性能表现不完全是由于深度子空间聚类模型本身而产生的。
Oct, 2020
本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。
Jan, 2020
本文提出了一种深度扩展的稀疏子空间聚类方法，称为深层稀疏子空间聚类（DSSC）。通过神经网络的非线性变换，DSSC 不仅满足了 SSC 的稀疏性原则，还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势，是目前为止最好的基于深度学习的子空间聚类方法之一。