本文提出通过数据增强来提高自表示模型的表达质量，以应对子空间内数据分布不足的问题。提出了两种半监督子空间聚类框架，使用扩展字典，证明数据增强对于提高聚类效果有显著作用。

Jul, 2022

本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。

Jun, 2023

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

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

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

本文提出了一种名为 S$^3$C 的联合优化框架，用于同时学习亲和性和分段，并通过备用方向乘法的组合和谱聚类找到结构稀疏表示和分段。在实验中，对合成数据集、扩展的 Yale B 数据集、Hopkins 155 运动分割数据库和三个癌症数据集进行了测试，证明了这种方法的有效性。

Oct, 2016

本文探讨了稀疏子空间聚类的图连通性问题，并展示了一种简单的后处理方法，可以在某些 “一般位置” 或 “受限特征值” 假设下提供一致的聚类，同时提供了基于维度大于 3 的子空间的噪声 SSC 的第一个准确的聚类保证。

Apr, 2015