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

该论文提出了一个利用最小描述长度原则（MDL）自动检测子空间数量和每个子空间中的簇数的框架，并描述了一种有效的过程，通过在子空间内进行分裂和合并子空间和簇来贪婪搜索参数空间。此外，介绍了一种编码策略，可在每个子空间中检测异常值。广泛的实验表明，该方法与最先进的方法具有很高的竞争力。

Dec, 2023

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

本文研究了基于随机投影降维对稀疏子空间聚类和基于阈值的子空间聚类算法的性能影响，并发现即使将数据维度降到子空间维度的数量级，也不会受到显著的性能损失

Apr, 2014

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

本文针对百万数据点的大规模子空间聚类问题提出了可学习的子空间聚类范式，使用可学习的参数函数将高维子空间划分为低维子空间，取代了传统编码模型的高成本，提高了聚类效率。通过对大规模数据集的实验验证，该模型在效率和准确性方面均优于现有的相关方法。

Apr, 2020

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