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

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

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

本论文提出了一种新的预测子空间聚类方法，该方法可以将高维数据划分为互不相交的线性子空间聚类，同时估计子空间的 PCA 参数，实现变量选择，经过实验在基因表达数据集上得到了较好的结果。

Mar, 2012

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

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。

Sep, 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